Development of new system for prediction of hematic parameters in extracorporeal treatments

The thesis shows the realization of a new machine for real-time monitoring system of hematic parameters for extra-corporeal treatments. The system is optimized for hemodialysis and its measurements of Hematocrit (Hct), Oxygen saturation (sO2) are based on spectral acquisition of the blood. Machine learning algorithms have been developed to directly extract the parameter levels from visible spectra, in order to obtain prediction of hematocrits and oxygen saturation with high precision. The setup, which has been completely developed during my thesis, includes a white high-power LED, a commercial mini-spectrometer, a fiber optic and a microcontroller. This development also includes the electronic hardware used to drive the light source and controlling the sensor, the mechanical components that have been realized with 3D printers and the software that has been implemented for post processing the data and for applying machine learning algorithms. The software has been implemented in Python and then directly transferred on the electronic board, in order to integrate the use with hemodialysis machine. The setup has been tested with bovine blood, reproducing hemodialysis sessions, in order to generate a database of samples needed to train the machine learning models and, finally, to validate the results. Comparisons have been performed with commercial devices, which use different approaches for the measurements of the parameters of interest. Agreement is excellent and the machine is now under test with human blood. Procedures for patenting are underway.La tesi descrive la realizzazione di una macchina innovativa per il monitoraggio, in tempo reale, dei parametri ematici per i trattamenti in circolazione extra-corporea del sangue. Il sistema è ottimizzato per il trattamento di emodialisi, ed in particolare per il monitoraggio dei parametri di ematocrito e saturazione dell’ossigeno. Queste misurazioni sono basate su acquisizione dello spettro del sangue e tramite degli algoritmi di machine learning sviluppati per poter predire, con alta precisione, i parametri di interesse nel sangue. Il setup, che è stato completamente sviluppato durante la mia tesi, comprende un LED ad alta potenza, un mini-spettrometro commerciale, una fibra ottica e un micro-controllore. Lo sviluppo ha, però, incluso la fase di ottimizzazione e realizzazione di tutte le componenti del setup, quali: l’hardware per il controllo e pilotaggio del sensore spettrometrico e della sorgente luminosa; le parti meccaniche, realizzate tramite stampanti 3D e il software per il post-processing dei dati e l’applicazione degli algoritmi predittivi. Il software è stato implementato in Python e successivamente trasferito sull’elettronica del setup, per realizzare un prototipo ideato per andare incontro alle esigenze dei pazienti ed in grado di integrarsi con le macchine per dialisi. Il setup è stato testato su sangue bovino, riproducendo delle sessioni di dialisi; questi test hanno permesso la generazione di un database per l’allenamento degli algoritmi di machine learning ed, infine, hanno permesso di valutare l’accuratezza dei risultati ottenuti. Sono stati fatte delle comparazioni con altri strumenti presenti sul mercato, che utilizzano un diverso approccio per la misura dei parametri di interesse. Questi ottimi risultati hanno permesso di avviare una procedura di brevetto del sistema ottico; passaggio necessario per poter iniziare anche la fase di sperimentazione su animali, al fine di ottenere le certificazioni per l’utilizzo su pazienti umani