AFFILIAZIONE
Dipartimento di Elettronica, Informazione e Bioingegneria (Deib), Politecnico di Milano
AUTORE PRINCIPALE
Ing. Piccone Valeria
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
AREA TEMATICA
Applicazioni innovative di ingegneria per la sanità: idee dalle Università
ABSTRACT
La gestione del ciclo di vita delle apparecchiature biomediche rappresenta una sfida strategica per le strutture sanitarie, in particolare in contesti ad alta complessità tecnologica. Gli indici di priorità di sostituzione (IPS) sono tradizionalmente utilizzati per supportare le decisioni di sostituzione delle tecnologie sanitarie, ma gli approcci convenzionali, basati su modelli statici e pesi definiti a priori, risultano limitati nella capacità di cogliere dinamiche non lineari, interazioni complesse tra variabili e cambiamenti nel tempo. In questo lavoro viene presentato lo sviluppo di un IPS dinamico basato su tecniche di Machine Learning, finalizzato a migliorare l’accuratezza e l’affidabilità dei processi decisionali in ambito di ingegneria clinica.
Lo studio è stato condotto utilizzando dati reali provenienti dalla Fondazione IRCCS Istituto Neurologico Carlo Besta di Milano, comprendenti informazioni anagrafiche, operative, economiche e clinico-funzionali relative ad apparecchiature cliniche e di ricerca. Sono stati costruiti due dataset distinti (2024 e 2025) per garantire una separazione rigorosa tra fase di addestramento e validazione del modello. Le variabili considerate includono età del dispositivo, vita utile, costi di acquisizione, criticità, indici di utilizzo, downtime, tassi di guasto e indicatori temporali legati alla manutenzione.
Dopo un’accurata fase di preprocessing e feature engineering, sono stati confrontati diversi algoritmi di classificazione, adottando strategie specifiche per la gestione dello sbilanciamento delle classi. Il modello XGBoost ha mostrato le migliori prestazioni, con un AUC pari a 0,89, superando sia la baseline del Machine Learning sia l’IPS tradizionale. L’analisi delle feature importance ha evidenziato come il modello privilegi indicatori operativi dinamici, quali downtime e tassi di guasto, offrendo una visione più aderente allo stato reale delle tecnologie rispetto agli approcci statici.
La validazione prospettica su dati aggiornati e il confronto con il Piano Investimenti aziendale hanno confermato la coerenza e l’utilità operativa del modello, dimostrando la capacità di anticipare criticità tecnologiche e supportare la pianificazione degli investimenti. Il sistema proposto consente il passaggio da una programmazione statica a una gestione dinamica e proattiva del parco tecnologico.
Lo studio è stato condotto utilizzando dati reali provenienti dalla Fondazione IRCCS Istituto Neurologico Carlo Besta di Milano, comprendenti informazioni anagrafiche, operative, economiche e clinico-funzionali relative ad apparecchiature cliniche e di ricerca. Sono stati costruiti due dataset distinti (2024 e 2025) per garantire una separazione rigorosa tra fase di addestramento e validazione del modello. Le variabili considerate includono età del dispositivo, vita utile, costi di acquisizione, criticità, indici di utilizzo, downtime, tassi di guasto e indicatori temporali legati alla manutenzione.
Dopo un’accurata fase di preprocessing e feature engineering, sono stati confrontati diversi algoritmi di classificazione, adottando strategie specifiche per la gestione dello sbilanciamento delle classi. Il modello XGBoost ha mostrato le migliori prestazioni, con un AUC pari a 0,89, superando sia la baseline del Machine Learning sia l’IPS tradizionale. L’analisi delle feature importance ha evidenziato come il modello privilegi indicatori operativi dinamici, quali downtime e tassi di guasto, offrendo una visione più aderente allo stato reale delle tecnologie rispetto agli approcci statici.
La validazione prospettica su dati aggiornati e il confronto con il Piano Investimenti aziendale hanno confermato la coerenza e l’utilità operativa del modello, dimostrando la capacità di anticipare criticità tecnologiche e supportare la pianificazione degli investimenti. Il sistema proposto consente il passaggio da una programmazione statica a una gestione dinamica e proattiva del parco tecnologico.
