ID:
511625
Durata (ore):
25
CFU:
2
SSD:
BIOINGEGNERIA ELETTRONICA E INFORMATICA
Anno:
2026
Dati Generali
Periodo di attività
Secondo Semestre (01/03/2027 - 28/05/2027)
Syllabus
Obiettivi Formativi
Il corso introduce i principi dell'informatica sanitaria applicata, articolandosi in due parti complementari: Informatica Medica e Intelligenza Artificiale.
Al termine del corso lo studente sarà in grado di:
– distinguere i concetti di dato, informazione e conoscenza e riconoscere le diverse tipologie di dati clinici e le loro modalità di generazione e raccolta;
– comprendere e applicare i principi di organizzazione dei dati clinici (modello relazionale, diagrammi ER, riduzione della ridondanza);
– utilizzare tassonomie, ontologie e terminologie/codifiche standard (ICD, SNOMED, LOINC, ATC) per l'interoperabilità semantica;
– comprendere i principali standard di interoperabilità sintattica e di scambio dei dati (XML, JSON, HL7, FHIR);
– descrivere l'architettura dei sistemi informativi sanitari (FSE, HIS, RIS, PACS, EHR);
– comprendere i fondamenti dell'Intelligenza Artificiale predittiva e generativa e i principali algoritmi di apprendimento supervisionato e non supervisionato;
– valutare le prestazioni dei modelli e riconoscere problemi di bias, varianza e overfitting;
– comprendere il ruolo dei Foundation Model e degli LLM in medicina, con attenzione agli aspetti etici e normativi (AI Act).
Al termine del corso lo studente sarà in grado di:
– distinguere i concetti di dato, informazione e conoscenza e riconoscere le diverse tipologie di dati clinici e le loro modalità di generazione e raccolta;
– comprendere e applicare i principi di organizzazione dei dati clinici (modello relazionale, diagrammi ER, riduzione della ridondanza);
– utilizzare tassonomie, ontologie e terminologie/codifiche standard (ICD, SNOMED, LOINC, ATC) per l'interoperabilità semantica;
– comprendere i principali standard di interoperabilità sintattica e di scambio dei dati (XML, JSON, HL7, FHIR);
– descrivere l'architettura dei sistemi informativi sanitari (FSE, HIS, RIS, PACS, EHR);
– comprendere i fondamenti dell'Intelligenza Artificiale predittiva e generativa e i principali algoritmi di apprendimento supervisionato e non supervisionato;
– valutare le prestazioni dei modelli e riconoscere problemi di bias, varianza e overfitting;
– comprendere il ruolo dei Foundation Model e degli LLM in medicina, con attenzione agli aspetti etici e normativi (AI Act).
Prerequisiti
Nessun prerequisito specifico. È consigliata una conoscenza informatica di base.
Metodi didattici
Il corso prevede lezioni frontali ed esercitazioni in laboratorio. Le attività di laboratorio comprendono esercizi sul modello relazionale, l'uso del software Orange per il machine learning e l'accesso a portali di IA generativa (Gemini, NotebookLM, Consensus).
Verifica Apprendimento
Esame finale scritto con domande a scelta multipla, comprendente domande di teoria ed esercizi pratici.
Testi
Slide e materiale forniti dal docente. Ulteriori riferimenti bibliografici saranno indicati durante il corso.
Contenuti
Il corso è organizzato in due parti.
PARTE I – INFORMATICA MEDICA (10 ore di lezione + 2,5 di laboratorio)
Lezione 1 (2 ore) – Introduzione: dato, informazione e conoscenza; tipologie di dati clinici (dimensioni del dato); generazione e raccolta dei dati clinici (sistemi e processi, es. modelli process-oriented).
Lezione 2 (2 ore) + 1,5 ore di esercitazione – Organizzazione dei dati: modello paziente/tabella; modello relazionale, diagrammi ER, costruzione di modelli a bassa ridondanza. Laboratorio su database (esercizi sul modello relazionale).
Lezione 3 (2 ore) – Dal dato all'informazione tramite la conoscenza di dominio: tassonomie, ontologie e grafi; interoperabilità semantica e codifiche/terminologie (ICD, SNOMED, LOINC, ATC).
Lezione 4 (2 ore) + 1 ora di esercitazione – Condivisione di dati e informazioni: interoperabilità sintattica; XML, JSON, HL7 e FHIR. Laboratorio.
Lezione 5 (2 ore) – Sistemi Informativi Sanitari: sistemi sanitari e Fascicolo Sanitario Elettronico (FSE); HIS e sue componenti (RIS, PACS), EHR.
PARTE II – INTELLIGENZA ARTIFICIALE (10 ore di lezione + 2,5 di laboratorio)
Lezione 1 (2 ore) – Introduzione: cenni storici e terminologia (AI predittiva e generativa); sistemi esperti; principi di base (tipologie di apprendimento, introduzione all'apprendimento supervisionato); bias e varianza.
Lezione 2 (2 ore) – AI predittiva 1: algoritmi di apprendimento supervisionato (regressione logistica, Random Forest, SVM, Boosting); introduzione al Deep Learning (reti neurali, architetture CNN, RNN, Transformer).
Lezione 3 (2 ore) + 1,5 ore di esercitazione – AI predittiva 2: valutazione e metriche dei modelli, overfitting; introduzione all'apprendimento non supervisionato e alla trasformazione delle variabili. Laboratorio con Orange.
Lezione 4 (2 ore) – AI generativa 1: Foundation Model e LLM; Foundation Model per diverse tipologie di dati.
Lezione 5 (2 ore) + 1 ora di esercitazione – AI generativa 2: medicina basata sull'AI e model distillation; etica dell'AI e AI Act. Laboratorio con accesso a portali (Gemini, NotebookLM, Consensus).
PARTE I – INFORMATICA MEDICA (10 ore di lezione + 2,5 di laboratorio)
Lezione 1 (2 ore) – Introduzione: dato, informazione e conoscenza; tipologie di dati clinici (dimensioni del dato); generazione e raccolta dei dati clinici (sistemi e processi, es. modelli process-oriented).
Lezione 2 (2 ore) + 1,5 ore di esercitazione – Organizzazione dei dati: modello paziente/tabella; modello relazionale, diagrammi ER, costruzione di modelli a bassa ridondanza. Laboratorio su database (esercizi sul modello relazionale).
Lezione 3 (2 ore) – Dal dato all'informazione tramite la conoscenza di dominio: tassonomie, ontologie e grafi; interoperabilità semantica e codifiche/terminologie (ICD, SNOMED, LOINC, ATC).
Lezione 4 (2 ore) + 1 ora di esercitazione – Condivisione di dati e informazioni: interoperabilità sintattica; XML, JSON, HL7 e FHIR. Laboratorio.
Lezione 5 (2 ore) – Sistemi Informativi Sanitari: sistemi sanitari e Fascicolo Sanitario Elettronico (FSE); HIS e sue componenti (RIS, PACS), EHR.
PARTE II – INTELLIGENZA ARTIFICIALE (10 ore di lezione + 2,5 di laboratorio)
Lezione 1 (2 ore) – Introduzione: cenni storici e terminologia (AI predittiva e generativa); sistemi esperti; principi di base (tipologie di apprendimento, introduzione all'apprendimento supervisionato); bias e varianza.
Lezione 2 (2 ore) – AI predittiva 1: algoritmi di apprendimento supervisionato (regressione logistica, Random Forest, SVM, Boosting); introduzione al Deep Learning (reti neurali, architetture CNN, RNN, Transformer).
Lezione 3 (2 ore) + 1,5 ore di esercitazione – AI predittiva 2: valutazione e metriche dei modelli, overfitting; introduzione all'apprendimento non supervisionato e alla trasformazione delle variabili. Laboratorio con Orange.
Lezione 4 (2 ore) – AI generativa 1: Foundation Model e LLM; Foundation Model per diverse tipologie di dati.
Lezione 5 (2 ore) + 1 ora di esercitazione – AI generativa 2: medicina basata sull'AI e model distillation; etica dell'AI e AI Act. Laboratorio con accesso a portali (Gemini, NotebookLM, Consensus).
Lingua Insegnamento
INGLESE
Corsi
Corsi
MEDICINE AND SURGERY
Laurea Magistrale Ciclo Unico 6 Anni
6 anni
No Results Found
Persone
Persone
No Results Found