AFFILIAZIONE
Politecnico di Milano
AUTORE PRINCIPALE
Scortsaru Keren Nety
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
AREA TEMATICA
Gestione delle tecnologie biomediche
ABSTRACT
Chi gestisce un servizio di ingegneria clinica conosce bene il problema: quanti pezzi di ricambio tenere a magazzino? La risposta dipende quasi sempre dall’esperienza accumulata dai tecnici, che nel tempo imparano a intuire quali siano i guasti più frequenti. È un criterio che funziona, ma rimane soggettivo, difficile da trasmettere e da aggiornare sistematicamente. Acquistare troppo immobilizza risorse; acquistare troppo poco prolunga i fermi macchina.
Un’informazione utile, però, esiste già: lo storico delle chiamate manutentive. Ogni intervento di manutenzione lascia una traccia scritta: il tecnico annota cosa ha fatto e cosa ha sostituito. Nel tempo queste note crescono fino a diventare migliaia di righe di testo libero che nessuno rilegge in modo organizzato. La Fondazione Don Gnocchi ne ha raccolte più di 18.000 tra il 2019 e il 2025, distribuite tra i propri presidi. Si tratta di un corpus ampio, utile per rispondere a due domande concrete: quali tipologie di apparecchiatura generano i guasti più frequenti? Quante volte è stato necessario sostituire un componente come una batteria, un cavo o una centralina?
Il nodo vero è linguistico. I tecnici non seguono un vocabolario condiviso: lo stesso ricambio può essere descritto in modi diversi da persona a persona e da presidio a presidio, senza dizionari di settore su cui appoggiarsi. Per estrarre informazioni utili da queste note è stata sviluppata una pipeline NLP in tre stadi. Il dependency parsing con spaCy sfrutta la struttura grammaticale delle frasi per identificare i componenti sostituiti, ovvero gli oggetti di verbi come “sostituire” o “cambiare”, senza liste predefinite. BERTopic lavora poi sull’intero corpus in modo non supervisionato, facendo emergere i raggruppamenti semantici presenti nel testo. I pattern risultanti guidano infine la costruzione di dizionari ad hoc che classificano i ricambi in categorie operative. Il codice, implementato in un notebook Jupyter, è pensato per essere rieseguito ogni anno dalla Fondazione, aggiornando la stima man mano che nuovi ticket vengono registrati.
I risultati confluiscono in una dashboard Power BI che consente ai responsabili dell’ingegneria clinica di esplorare i dati per presidio e per tipologia di apparecchiatura. L’obiettivo è preciso: sostituire una stima soggettiva con una base numerica solida, replicabile e aggiornabile nel tempo, utile per pianificare le scorte con maggiore coerenza e supportare decisioni operative più informate.
Un’informazione utile, però, esiste già: lo storico delle chiamate manutentive. Ogni intervento di manutenzione lascia una traccia scritta: il tecnico annota cosa ha fatto e cosa ha sostituito. Nel tempo queste note crescono fino a diventare migliaia di righe di testo libero che nessuno rilegge in modo organizzato. La Fondazione Don Gnocchi ne ha raccolte più di 18.000 tra il 2019 e il 2025, distribuite tra i propri presidi. Si tratta di un corpus ampio, utile per rispondere a due domande concrete: quali tipologie di apparecchiatura generano i guasti più frequenti? Quante volte è stato necessario sostituire un componente come una batteria, un cavo o una centralina?
Il nodo vero è linguistico. I tecnici non seguono un vocabolario condiviso: lo stesso ricambio può essere descritto in modi diversi da persona a persona e da presidio a presidio, senza dizionari di settore su cui appoggiarsi. Per estrarre informazioni utili da queste note è stata sviluppata una pipeline NLP in tre stadi. Il dependency parsing con spaCy sfrutta la struttura grammaticale delle frasi per identificare i componenti sostituiti, ovvero gli oggetti di verbi come “sostituire” o “cambiare”, senza liste predefinite. BERTopic lavora poi sull’intero corpus in modo non supervisionato, facendo emergere i raggruppamenti semantici presenti nel testo. I pattern risultanti guidano infine la costruzione di dizionari ad hoc che classificano i ricambi in categorie operative. Il codice, implementato in un notebook Jupyter, è pensato per essere rieseguito ogni anno dalla Fondazione, aggiornando la stima man mano che nuovi ticket vengono registrati.
I risultati confluiscono in una dashboard Power BI che consente ai responsabili dell’ingegneria clinica di esplorare i dati per presidio e per tipologia di apparecchiatura. L’obiettivo è preciso: sostituire una stima soggettiva con una base numerica solida, replicabile e aggiornabile nel tempo, utile per pianificare le scorte con maggiore coerenza e supportare decisioni operative più informate.
