AFFILIAZIONE
dipartimento di ingegneria dell’informazione
AUTORE PRINCIPALE
Ing. Luschi Alessio
VALUTA IL CHALLENGE[ratingwidget]
GRUPPO DI LAVORO
Ing. Luschi Alessio – dipartimento di ingegneria dell’informazione, firenze
Prof. Nesi Paolo – dipartimento di ingegneria dell’informazione, firenze
Prof. Iadanza Ernesto – dipartimento di biotecnologie mediche, siena
AREA TEMATICA
Gestione delle tecnologie biomediche: dati, modelli, risultati
ABSTRACT
Lo scopo principale di questo progetto è la creazione di un framework basato su intelligenza artificiale per estrarre evidenze atte a supportare i processi di gestione e valutazione delle tecnologie informatiche sanitarie. Da un’analisi approfondita della letteratura scientifica emerge chiaramente che gli eventi avversi legati alle tecnologie informatiche sanitarie sono in sostanziale aumento negli ultimi anni. Il modello proposto si pone l’obiettivo di classificare automaticamente i report riferiti a eventi avversi legati all’utilizzo di tecnologie informatiche sanitarie, impiegando tecniche automatizzate di classificazione dei testi basate su Natural Language Processing (NLP) e modelli di Explainable Artificial Intelligence (XAI). La soluzione mira a supportare e ottimizzare i processi di gestione delle tecnologie mediche tramite un approccio basato sulle evidenze (Evidence-Based Management). I dati analizzati estratti da database di reportistica spontanea degli eventi avversi (es.: FDA-MAUDE) emergono dalla pratica sanitaria reale (real-world data). La soluzione proposta porta ad un miglioramento dei processi, in particolare in relazione ai nuovi obblighi legali introdotti dal Regolamento Europeo sui Dispositivi Medici 745/2017. Ad esempio, l’analisi continua delle segnalazioni di sicurezza relative agli eventi avversi assume un’importanza fondamentale nella sorveglianza attiva del mercato dei dispositivi medici; le evidenze che emergono dall’analisi di tali dati risultano utili nell’effettuazione di una valutazione del mercato relativa ad uno specifico dispositivo medico, analizzandone i gusti, pianificando aggiornamenti ed interventi, ed evitando possibili richiami dalle autorità competenti.
Il framework si basa su una versione pre-addestrata del modello ClinicalBERT basato sui modelli AI Transformers sviluppati da Google, affinato ulteriormente su 3.705 report di eventi avversi estratti da MAUDE e classificati precedentemente da esperti in base alla pertinenza o meno con tecnologie informatiche sanitarie. Il modello è stato validato tramite la tecnica di 10-fold cross-validation, e testato su un subset di dati per valutarne la performance. Inoltre, sono stati applicati metodi di XAI per evidenziare gli aspetti più comuni all’interno dei testi analizzati che hanno portato il modello ad una specifica classificazione, fornendo un aiuto all’utente finale nella comprensione della tipologia di evento avverso analizzato.
