AFFILIAZIONE
hospital consulting spa
AUTORE PRINCIPALE
Ing. Vescovo Giulio
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Ing. Vescovo Giulio hospital consulting spa
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
Il progetto si pone come scopo l’analisi di diversi modelli presenti in letteratura per valutare l’obsolescenza dei dispositivi medici e la loro priorità di sostituzione calcolata attraverso dei parametri indicativi della condizione dell’apparecchio.
In seguito all’analisi di diversi articoli scientifici, vengono scelti tre modelli basati su un numero variabile di parametri e con algoritmi e metodi di calcolo differenti ed applicati al medesimo contesto, ovvero i dispositivi elettromedicali in dotazione ad una Azienda Ospedaliera del Veneto. Per ogni apparecchio presente in azienda viene calcolato l’output dei tre modelli utilizzando i parametri proposti. In seguito, vengono applicate delle soglie ai valori ottenuti di IPS (indice di priorità di sostituzione) per determinare se ciascun apparecchio viene classificato come “Obsoleto”, “Da approfondire” o “Non Obsoleto”.
I differenti risultati nella classificazione basata sui tre modelli sono attribuibili ai diversi parametri utilizzati e alle diverse soglie applicate per la classificazione, che rendono un modello più o meno selettivo.
Viene successivamente creato un algoritmo che permette di unire il risultato dato dai tre modelli per ciascun apparecchio, ottenendo una classificazione in quattro fasce d’urgenza: “Massima”, “Media”, “Minima” e “Nessuna”.
La classificazione ottenuta grazie a questo algoritmo viene utilizzata come base per l’addestramento di una rete neurale, che consente di valutare una possibile applicazione delle reti al contesto della priorità di sostituzione dei dispositivi elettromedicali.
La rete neurale riceve come input tutti i parametri utilizzati dai diversi modelli, inseriti senza pesi o coefficienti, e predice la classe di urgenza in cui è stato classificato il dispositivo in seguito all’utilizzo dell’algoritmo.
L’utilizzo di una rete neurale introduce della variabilità ma, poiché supportata da una buona accuratezza e pochi errori giustificati, permette di semplificare il processo per eventuali utilizzi futuri e diverse applicazioni.
I risultati ottenuti dalla rete vengono esaminati attraverso una valutazione delle metriche ottenute e con l’ausilio di librerie di Python quali SHAP e Alibi, verificando l’effetto dei parametri forniti in input sulla classificazione ottenuta in output.
In seguito all’analisi di diversi articoli scientifici, vengono scelti tre modelli basati su un numero variabile di parametri e con algoritmi e metodi di calcolo differenti ed applicati al medesimo contesto, ovvero i dispositivi elettromedicali in dotazione ad una Azienda Ospedaliera del Veneto. Per ogni apparecchio presente in azienda viene calcolato l’output dei tre modelli utilizzando i parametri proposti. In seguito, vengono applicate delle soglie ai valori ottenuti di IPS (indice di priorità di sostituzione) per determinare se ciascun apparecchio viene classificato come “Obsoleto”, “Da approfondire” o “Non Obsoleto”.
I differenti risultati nella classificazione basata sui tre modelli sono attribuibili ai diversi parametri utilizzati e alle diverse soglie applicate per la classificazione, che rendono un modello più o meno selettivo.
Viene successivamente creato un algoritmo che permette di unire il risultato dato dai tre modelli per ciascun apparecchio, ottenendo una classificazione in quattro fasce d’urgenza: “Massima”, “Media”, “Minima” e “Nessuna”.
La classificazione ottenuta grazie a questo algoritmo viene utilizzata come base per l’addestramento di una rete neurale, che consente di valutare una possibile applicazione delle reti al contesto della priorità di sostituzione dei dispositivi elettromedicali.
La rete neurale riceve come input tutti i parametri utilizzati dai diversi modelli, inseriti senza pesi o coefficienti, e predice la classe di urgenza in cui è stato classificato il dispositivo in seguito all’utilizzo dell’algoritmo.
L’utilizzo di una rete neurale introduce della variabilità ma, poiché supportata da una buona accuratezza e pochi errori giustificati, permette di semplificare il processo per eventuali utilizzi futuri e diverse applicazioni.
I risultati ottenuti dalla rete vengono esaminati attraverso una valutazione delle metriche ottenute e con l’ausilio di librerie di Python quali SHAP e Alibi, verificando l’effetto dei parametri forniti in input sulla classificazione ottenuta in output.
