Metodi matematici e statistici per il machine learning in ambito biomedico e socio-sanitario.

L’obiettivo della proposta è stato quello di utilizzare i recenti progressi teorici sui modelli di addestramento automatico, i metodi di ottimizzazione stocastica, le tecniche di “big data analysis” e “uncertainty quantificatio“ per sviluppare competenze interdisciplinari nei seguenti ambiti: i) realizzazione di sistemi di supporto per le decisioni mediche basati su ottimizzazione, ML e DL, ii) pianificazione e ottimizzazione di programmi di screening.

Il progetto si è posto l’obiettivo di sviluppare competenze specialistiche interdisciplinari per un uso significativo dei Big Data in ambito sanitario, finalizzato sia a migliorare la diagnostica di specifiche malattie sia a progettare trattamenti preventivi mirati, con un effetto di riduzione dei costi per le istituzioni regionali e nazionali. L’infrastruttura digitale di collegamento presente nelle strutture sanitarie regionali (SOLE) e la crescente diffusione del Fascicolo Sanitario Elettronico hanno permesso la disponibilità di una enorme mole di dati, la cui analisi predittiva ha potenzialità nell’ambito della cura personalizzata sia di malattie rare che di patologie epidemiologicamente rilevanti come ad esempio quelle cardiovascolari o l’osteoporosi. La proposta formativa del progetto si è inserita in questo contesto con l’obiettivo di formare professionisti con solide competenze di matematica computazionale, di modellizzazione e di gestione di dati, in grado di interpretare e tradurre in strumenti automatici di risoluzione le istanze provenienti dall’ambito biomedico e/o socio/sanitario, fino all’elaborazione di protocolli per la raccolta delle informazioni, funzionali alla successiva fase di “analytics”. 

• Addestramento automatico
• Screening
• Big data