AFFILIAZIONE
Fondazione IRCCS Istituto Neurologico Carlo Besta
AUTORE PRINCIPALE
Ing. Piccone Valeria
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
AREA TEMATICA
Gestione delle tecnologie biomediche
ABSTRACT
La manutenzione predittiva rappresenta un approccio strategico per migliorare l’affidabilità delle apparecchiature biomediche, ridurre i guasti imprevisti e ottimizzare la disponibilità operativa del parco tecnologico. Presso l’Istituto Neurologico Carlo Besta è stato sviluppato un sistema data-driven basato su modelli di machine learning con l’obiettivo di prevedere il verificarsi di guasti entro intervalli temporali definiti e supportare decisioni proattive nella pianificazione delle attività di manutenzione. I risultati preliminari mostrano prestazioni promettenti, con un C-Index pari a 0,81, indicativo di una buona capacità del modello di discriminare temporalmente gli eventi di guasto.
Al fine di validare operativamente il modello, è stato progettato un processo di verifica applicativa. Il sistema stima per ciascuna apparecchiatura la probabilità di guasto nel breve periodo, generando liste di priorità operative destinate al Global Service per l’attivazione di verifiche tecniche mirate. Le apparecchiature segnalate vengono quindi sottoposte a controlli e interventi manutentivi, con successivo feedback sullo stato reale post-intervento, consentendo di verificare l’effettiva necessità dell’azione manutentiva.
La validazione prospettica del modello è strutturata secondo un processo iterativo con cadenza mensile, accompagnato da analisi retrospettive dei risultati. In ciascun ciclo vengono valutate le prestazioni del sistema attraverso la classificazione degli esiti in: veri positivi (TP), apparecchiature correttamente segnalate dal modello e che hanno effettivamente richiesto un intervento correttivo; falsi positivi (FP), dispositivi segnalati ma senza evidenza di guasto nel periodo di osservazione; falsi negativi (FN), apparecchiature non segnalate che hanno invece manifestato un guasto; e veri negativi (TN), dispositivi non segnalati e rimasti operativi.
Questa fase rappresenta un passaggio preliminare per verificare l’ipotesi secondo cui l’adozione progressiva della manutenzione predittiva possa consentire una pianificazione più efficiente degli interventi, ridurre l’incidenza dei guasti non programmati e ottimizzare l’impiego delle risorse tecniche e organizzative nella gestione delle tecnologie biomediche.
Al fine di validare operativamente il modello, è stato progettato un processo di verifica applicativa. Il sistema stima per ciascuna apparecchiatura la probabilità di guasto nel breve periodo, generando liste di priorità operative destinate al Global Service per l’attivazione di verifiche tecniche mirate. Le apparecchiature segnalate vengono quindi sottoposte a controlli e interventi manutentivi, con successivo feedback sullo stato reale post-intervento, consentendo di verificare l’effettiva necessità dell’azione manutentiva.
La validazione prospettica del modello è strutturata secondo un processo iterativo con cadenza mensile, accompagnato da analisi retrospettive dei risultati. In ciascun ciclo vengono valutate le prestazioni del sistema attraverso la classificazione degli esiti in: veri positivi (TP), apparecchiature correttamente segnalate dal modello e che hanno effettivamente richiesto un intervento correttivo; falsi positivi (FP), dispositivi segnalati ma senza evidenza di guasto nel periodo di osservazione; falsi negativi (FN), apparecchiature non segnalate che hanno invece manifestato un guasto; e veri negativi (TN), dispositivi non segnalati e rimasti operativi.
Questa fase rappresenta un passaggio preliminare per verificare l’ipotesi secondo cui l’adozione progressiva della manutenzione predittiva possa consentire una pianificazione più efficiente degli interventi, ridurre l’incidenza dei guasti non programmati e ottimizzare l’impiego delle risorse tecniche e organizzative nella gestione delle tecnologie biomediche.
