AFFILIAZIONE
althea italia s.p.a.
AUTORE PRINCIPALE
Dott.ssa Di Martino Claudia
VALUTA IL CHALLENGE[ratingwidget]
GRUPPO DI LAVORO
Dott.ssa Di Martino Claudia – althea italia s.p.a., trieste
AREA TEMATICA
Gestione delle tecnologie biomediche: dati, modelli, risultati
ABSTRACT
Il progetto ha come obiettivo la realizzazione di un modello predittivo di Smart Scheduling per la manutenzione di Dispositivi Medici (MD) tramite modelli di Intelligenza Artificiale (AI) e metodiche di Business Intelligence. In particolare, si utilizzano Big Data e AI per programmare efficientemente gli interventi di manutenzione, minimizzando i tempi e garantendo la massima disponibilità dei MD al personale sanitario.
Il progetto, finanziato da AREA Science Park, Ente Nazionale di Ricerca che gestisce il Parco Scientifico e Tecnologico multisettoriale di Trieste, è sviluppato per la BU Workshop di Althea Italia che si occupa della gestione e manutenzione di tecnologie endoscopiche, sonde ecografiche, strumentario chirurgico, trapani elettrici e MD che richiedono lavorazioni particolari di meccanica. La BU Workshop fornisce servizi su scala nazionale e internazionale attraverso laboratori di manutenzione specializzati su tecnologie che hanno un forte impatto sulla quotidianità dei servizi sanitari.
Nel 2022, la BU ha effettuato circa 70.000 interventi tecnici su MD multimarca con modi di guasto altamente variabili grazie a circa 65 tecnici specializzati. L’imprevedibilità del mix delle apparecchiature in ingresso e la disponibilità dei tecnici non permettono sempre certezza sui tempi di riparazione e di restituzione dei MD alle strutture ospedaliere.
Il nuovo modello predittivo consente di superare l’attuale metodologia empirica basata sull’esperienza, eliminare le inefficienze e ottenere risultati di ottimizzazione dei processi.
L’algoritmo di smart scheduling considera una moltitudine di variabili nella determinazione della priorità e nell’affidamento degli interventi ai tecnici, generando il migliore affidamento possibile al tecnico specializzato. La soluzione è implementata in Python e si basa su un approccio a due fasi: ordinamento e assegnamento. Il sistema si avvale di modelli di machine learning (IA) basati su un dataset storico pluriennale degli interventi manutentivi della BU WorkShop di Althea: si utilizza la libreria scikitlearn per addestrare un modello di regressione lineare in grado di prevedere i futuri interventi, ottimizzare la pianificazione e prevenire situazioni problematiche di sovraccarico di lavoro.
La realizzazione di un interfaccia user friendly consentirà una gestione efficiente degli interventi tecnici, il monitoraggio delle attività e delle previsioni del laboratorio e la visualizzazione delle previsioni di manutenzione.
