{"id":7315,"date":"2023-04-21T13:02:27","date_gmt":"2023-04-21T11:02:27","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/evidence-based-management-intelligenza-artificiale-a-supporto-della-classificazione-degli-eventi-avversi-per-le-tecnologie-informatiche-sanitarie\/"},"modified":"2023-04-21T13:02:27","modified_gmt":"2023-04-21T11:02:27","slug":"evidence-based-management-intelligenza-artificiale-a-supporto-della-classificazione-degli-eventi-avversi-per-le-tecnologie-informatiche-sanitarie","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/evidence-based-management-intelligenza-artificiale-a-supporto-della-classificazione-degli-eventi-avversi-per-le-tecnologie-informatiche-sanitarie\/","title":{"rendered":"EVIDENCE BASED MANAGEMENT: INTELLIGENZA ARTIFICIALE A SUPPORTO DELLA CLASSIFICAZIONE DEGLI EVENTI AVVERSI PER LE TECNOLOGIE INFORMATICHE SANITARIE"},"content":{"rendered":"
\n
\n

\"\"\"\" <\/p>\n

AFFILIAZIONE<\/span>
\n<\/strong>dipartimento di ingegneria dell’informazione<\/p>\n

AUTORE PRINCIPALE<\/span>
\n<\/strong>Ing. Luschi Alessio<\/p>\n

\nVALUTA IL CHALLENGE<\/span><\/strong>[ratingwidget]<\/p>\n<\/div>\n

\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong>
\nIng. Luschi Alessio<\/strong> – dipartimento di ingegneria dell’informazione, firenze<\/i>
Prof. Nesi Paolo<\/strong> – dipartimento di ingegneria dell’informazione, firenze<\/i>
Prof. Iadanza Ernesto<\/strong> – dipartimento di biotecnologie mediche, siena<\/i> <\/p>\n

AREA TEMATICA<\/span>
\n<\/strong>Gestione delle tecnologie biomediche: dati, modelli, risultati<\/p>\n

ABSTRACT<\/span>
\n<\/strong>Lo scopo principale di questo progetto \u00e8 la creazione di un framework basato su intelligenza artificiale per estrarre evidenze atte a supportare i processi di gestione e valutazione delle tecnologie informatiche sanitarie. Da un\u2019analisi approfondita della letteratura scientifica emerge chiaramente che gli eventi avversi legati alle tecnologie informatiche sanitarie sono in sostanziale aumento negli ultimi anni. Il modello proposto si pone l\u2019obiettivo di classificare automaticamente i report riferiti a eventi avversi legati all\u2019utilizzo di tecnologie informatiche sanitarie, impiegando tecniche automatizzate di classificazione dei testi basate su Natural Language Processing (NLP) e modelli di Explainable Artificial Intelligence (XAI). La soluzione mira a supportare e ottimizzare i processi di gestione delle tecnologie mediche tramite un approccio basato sulle evidenze (Evidence-Based Management). I dati analizzati estratti da database di reportistica spontanea degli eventi avversi (es.: FDA-MAUDE) emergono dalla pratica sanitaria reale (real-world data). La soluzione proposta porta ad un miglioramento dei processi, in particolare in relazione ai nuovi obblighi legali introdotti dal Regolamento Europeo sui Dispositivi Medici 745\/2017. Ad esempio, l\u2019analisi continua delle segnalazioni di sicurezza relative agli eventi avversi assume un\u2019importanza fondamentale nella sorveglianza attiva del mercato dei dispositivi medici; le evidenze che emergono dall\u2019analisi di tali dati risultano utili nell\u2019effettuazione di una valutazione del mercato relativa ad uno specifico dispositivo medico, analizzandone i gusti, pianificando aggiornamenti ed interventi, ed evitando possibili richiami dalle autorit\u00e0 competenti.
\nIl framework si basa su una versione pre-addestrata del modello ClinicalBERT basato sui modelli AI Transformers sviluppati da Google, affinato ulteriormente su 3.705 report di eventi avversi estratti da MAUDE e classificati precedentemente da esperti in base alla pertinenza o meno con tecnologie informatiche sanitarie. Il modello \u00e8 stato validato tramite la tecnica di 10-fold cross-validation, e testato su un subset di dati per valutarne la performance. Inoltre, sono stati applicati metodi di XAI per evidenziare gli aspetti pi\u00f9 comuni all\u2019interno dei testi analizzati che hanno portato il modello ad una specifica classificazione, fornendo un aiuto all\u2019utente finale nella comprensione della tipologia di evento avverso analizzato.<\/p>\n

 <\/p>\n