APPROCCIO DATA-DRIVEN PER LA SELEZIONE DELLE APPARECCHIATURE BIOMEDICHE DA TRACCIARE: INTEGRAZIONE DI DATI GESTIONALI E MACHINE LEARNING

Nel quadro del potenziamento dell’Health Technology Management e della transizione digitale della
Fondazione IRCCS Ca’ Granda Ospedale Maggiore Policlinico, l’efficienza nella gestione delle tecnologie
sanitarie assume un ruolo strategico. Questo percorso si inserisce nel più ampio rinnovamento promosso
con l’apertura del Nuovo Ospedale e la recente gara per l’acquisizione di un sistema Real-Time Location
Systems (RTLS) per il tracciamento di asset e pazienti.

In quest’ottica, la tracciabilità delle apparecchiature biomediche è cruciale per l’efficienza operativa e la
qualità dell’assistenza. In contesti ospedalieri complessi, la gestione del parco tecnologico è particolarmente
critica a causa dell’elevato numero di dispositivi mobili e della loro distribuzione spaziale. In questo
contesto, i sistemi RTLS costituiscono una tecnologia abilitante per il tracciamento degli asset, riducendo i
tempi di ricerca e ottimizzando il processo manutentivo.

L’implementazione su larga scala di un RTLS comporta costi rilevanti e richiede una selezione oculata delle
apparecchiature da includere. È quindi fondamentale disporre di strumenti analitici che supportino tale
scelta in modo razionale, basandosi su dati storici e caratteristiche tecniche.

Questo progetto di Tesi ha come obiettivo lo sviluppo di un modello decisionale basato su tecniche di
Machine Learning per identificare le apparecchiature biomediche che maggiormente beneficerebbero
dell’integrazione in questo sistema. In assenza di un’etichettatura esplicita, l’approccio adottato è non
supervisionato, con l’obiettivo di individuare pattern ricorrenti, gruppi omogenei di dispositivi e indicatori
predittivi dell’utilità del tracciamento. I dati provengono dal CMMS (Computerized Maintenance
Management System) interno; GAEM.

L’analisi si articola in più fasi: pre-processing e standardizzazione del dataset, analisi esplorativa per
individuare tendenze e anomalie, applicazione di tecniche di clustering per suddividere le apparecchiature
in gruppi omogenei. In parallelo, è stato sviluppato un sistema di scoring combinato che integra indicatori
derivati da tasso di smarrimento o mancata localizzazione, frequenza di spostamento tra reparti, frequenza
di manutenzione e valore economico.

Il risultato è un modello in grado di classificare le apparecchiature in base alla priorità di tracciabilità,
fornendo un supporto oggettivo alla selezione dei dispositivi da taggare.