APICe » Theses » Sistemi di supporto alle decisioni in ambito clinico: predizione del rischio “as a service”

Sistemi di supporto alle decisioni in ambito clinico: predizione del rischio “as a service” 

Andrea Decastri


L'evoluzione tecnologica e l'ampliamento dei canali di comunicazione stanno giocando un ruolo fondamentale nelle aziende che hanno intenzione di evolvere la propria infrastruttura IT in un modello as a service. Il cloud sta svolgendo una funzione principale nel business aziendale portandone il mercato ad una crescita che oscilla tra il 18% e il 21%, nel solo 2017, e spingendo migliaia di aziende a integrare la vecchia IT con la nuova.

Si deve inoltre tener conto dell'enorme volume di dati prodotto dai processi aziendali nell'ultimo ventennio, in quanto la richiesta di utilizzo di tali dati, per scopi aziendali, ha reso necessaria la creazione di tecniche avanzate per l'analisi degli stessi; ne sono un esempio la ricerca clinica e alcune pratiche mediche. Queste, infatti, stanno subendo un cambiamento radicale attraverso l'introduzione di algoritmi di apprendimento che facilitano l'analisi di una enorme mole di dati relativa alle informazioni dei pazienti.

Una delle tecniche utilizzate per la costruzione di algoritmi in grado di imparare da eventi passati e di predire eventi sconosciuti è il machine learning.

La sfida che ci si pone e di cui si tratterà in questo documento è la creazione di un sistema di supporto alle decisioni as a service che utilizzi una base di conoscenza elaborata da tecniche di machine learning. Nel mondo sanitario queste tecnologie trovano applicazioni sia nella formulazione di diagnosi, sia nella predizione del rischio di un paziente affetto da determinate malattie.

La predizione del rischio può essere intesa come: probabilità di un paziente di entrare in ricovero nei successivi 30 giorni, probabilità di peggioramento oppure possibilità di morire.

Lo scopo che ci si prefigge di raggiungere con questo lavoro è quello di fornire un primo prototipo funzionante di un Clinical Decision Support System, focalizzandosi sulla costruzione di un'architettura di sistema che guidi l'analisi delle migliori tecnologie da utilizzare.

Keywords: Machine learning, decision support system, healthcare, rest, angular


Andrea Omicini (Supervisor)
Stefano Mariani (Co-supervisors)