ID:
511920
Durata (ore):
25
CFU:
2
SSD:
BIOINGEGNERIA ELETTRONICA E INFORMATICA
Anno:
2026
Dati Generali
Periodo di attività
Secondo Semestre (22/02/2027 - 04/06/2027)
Syllabus
Obiettivi Formativi
Al termine del corso, gli studenti saranno in grado di dimostrare:
Conoscenza e comprensione
• CLO1: Distinguere i concetti di dato, informazione e conoscenza, e riconoscere le diverse tipologie di dati clinici, nonché le modalità con cui vengono generati e raccolti attraverso modelli orientati ai processi.
• CLO2: Comprendere e applicare i principi di organizzazione dei dati clinici, inclusi il modello relazionale, i diagrammi ER (Entità-Relazione) e la riduzione della ridondanza.
• CLO3: Descrivere i principali standard per l'interoperabilità sintattica (XML, JSON, HL7, FHIR) e l'architettura generale dei sistemi informativi sanitari (EHR, Fascicolo Sanitario Elettronico nazionale, HIS, RIS, PACS).
• CLO4: Comprendere i fondamenti dell'Intelligenza Artificiale predittiva e generativa, inclusi gli algoritmi di apprendimento supervisionato e non supervisionato, i Foundation Models e i Large Language Models (LLM) nei contesti clinici.
Capacità di applicare conoscenza e comprensione
• CLO5: Applicare i principi di progettazione dei database relazionali e utilizzare tassonomie, ontologie e sistemi di codifica standard (ICD, SNOMED, LOINC, ATC) per l'interoperabilità semantica.
• CLO6: Valutare le prestazioni dei modelli di machine learning e applicare strumenti per l'esplorazione dei dati (es. il software Orange) e per compiti di IA generativa.
Autonomia di giudizio
• CLO7: Riconoscere i principali problemi metodologici come bias, varianza e overfitting nei modelli predittivi, e valutare criticamente gli aspetti etici e normativi dell'IA in medicina (incluso l'EU AI Act).
Abilità comunicative
• CLO8: Comunicare concetti di informatica medica, interoperabilità dei dati e intelligenza artificiale utilizzando la terminologia medica e tecnica standard.
Capacità di apprendimento
• CLO9: Sviluppare capacità pratiche e di valutazione autonome attraverso esercitazioni di laboratorio pratiche che utilizzano modelli di database relazionali, software di machine learning e portali di IA generativa.
Conoscenza e comprensione
• CLO1: Distinguere i concetti di dato, informazione e conoscenza, e riconoscere le diverse tipologie di dati clinici, nonché le modalità con cui vengono generati e raccolti attraverso modelli orientati ai processi.
• CLO2: Comprendere e applicare i principi di organizzazione dei dati clinici, inclusi il modello relazionale, i diagrammi ER (Entità-Relazione) e la riduzione della ridondanza.
• CLO3: Descrivere i principali standard per l'interoperabilità sintattica (XML, JSON, HL7, FHIR) e l'architettura generale dei sistemi informativi sanitari (EHR, Fascicolo Sanitario Elettronico nazionale, HIS, RIS, PACS).
• CLO4: Comprendere i fondamenti dell'Intelligenza Artificiale predittiva e generativa, inclusi gli algoritmi di apprendimento supervisionato e non supervisionato, i Foundation Models e i Large Language Models (LLM) nei contesti clinici.
Capacità di applicare conoscenza e comprensione
• CLO5: Applicare i principi di progettazione dei database relazionali e utilizzare tassonomie, ontologie e sistemi di codifica standard (ICD, SNOMED, LOINC, ATC) per l'interoperabilità semantica.
• CLO6: Valutare le prestazioni dei modelli di machine learning e applicare strumenti per l'esplorazione dei dati (es. il software Orange) e per compiti di IA generativa.
Autonomia di giudizio
• CLO7: Riconoscere i principali problemi metodologici come bias, varianza e overfitting nei modelli predittivi, e valutare criticamente gli aspetti etici e normativi dell'IA in medicina (incluso l'EU AI Act).
Abilità comunicative
• CLO8: Comunicare concetti di informatica medica, interoperabilità dei dati e intelligenza artificiale utilizzando la terminologia medica e tecnica standard.
Capacità di apprendimento
• CLO9: Sviluppare capacità pratiche e di valutazione autonome attraverso esercitazioni di laboratorio pratiche che utilizzano modelli di database relazionali, software di machine learning e portali di IA generativa.
Prerequisiti
Nessun prerequisito specifico. Si raccomanda una conoscenza informatica di base.
Metodi didattici
La didattica viene erogata attraverso lezioni frontali in presenza integrate da sessioni pratiche in laboratorio. Le attività di laboratorio comprendono esercitazioni pratiche sui modelli di database relazionali, analisi pratiche di machine learning con il software Orange ed esplorazioni guidate di portali di IA generativa (Gemini, NotebookLM, Consensus).
Verifica Apprendimento
Modalità di verifica dell'apprendimento: Esame scritto composto da domande a risposta multipla che coprono sia argomenti teorici sia esercitazioni pratiche.
Valutazione: Voto finale espresso su una scala da 0 a 31.
Modalità di verifica dell'apprendimento: Esame scritto composto da domande a risposta multipla.
Durata: 30 minuti
Struttura: 12 domande a scelta multipla con un'unica risposta corretta (single-best-answer).
Criteri di valutazione: L'esame valuta la conoscenza e la comprensione dei principi dell'informatica medica applicata alla sanità, inclusi i più recenti sviluppi del settore.
Assegnazione del voto: L'esame è valutato su una scala da 0 a 31, con un voto minimo di superamento pari a 18/30. Un punteggio superiore a 30,5 viene registrato come voto finale di 30/30 e lode.
Valutazione: Voto finale espresso su una scala da 0 a 31.
Modalità di verifica dell'apprendimento: Esame scritto composto da domande a risposta multipla.
Durata: 30 minuti
Struttura: 12 domande a scelta multipla con un'unica risposta corretta (single-best-answer).
Criteri di valutazione: L'esame valuta la conoscenza e la comprensione dei principi dell'informatica medica applicata alla sanità, inclusi i più recenti sviluppi del settore.
Assegnazione del voto: L'esame è valutato su una scala da 0 a 31, con un voto minimo di superamento pari a 18/30. Un punteggio superiore a 30,5 viene registrato come voto finale di 30/30 e lode.
Testi
Slide e materiali didattici forniti direttamente dal docente tramite la piattaforma di e-learning KIRO. Ulteriori letture di riferimento e articoli scientifici saranno presentati nel corso delle lezioni.
Contenuti
Il corso è organizzato in due sezioni principali e complementari per un totale di 25 ore (20 ore di lezione frontale e 5 ore di laboratorio):
PARTE I – INFORMATICA MEDICA (10 ore di lezione + 2,5 ore di laboratorio)
1. Introduzione (2 ore di lezione): Dato, informazione e conoscenza; dimensioni dei dati clinici; processi di generazione e raccolta dei dati clinici (modelli orientati ai processi).
2. Organizzazione dei dati (2 ore di lezione + 1,5 ore di esercitazioni di laboratorio): Modello paziente/tabella; modello relazionale, diagrammi ER, progettazione di modelli a bassa ridondanza. Laboratorio di Database: esercitazioni pratiche sui modelli relazionali.
3. Conoscenza del dominio e interoperabilità semantica (2 ore di lezione): Tassonomie, ontologie e knowledge graph; terminologie standard e sistemi di codifica (ICD, SNOMED, LOINC, ATC).
4. Condivisione dei dati e interoperabilità sintattica (2 ore di lezione + 1 ora di esercitazioni di laboratorio): Standard di interoperabilità sintattica (XML, JSON, HL7, FHIR). Laboratorio: esercitazioni sui formati di scambio dati.
5. Sistemi informativi sanitari (2 ore di lezione): I sistemi sanitari e il Fascicolo Sanitario Elettronico (FSE) nazionale; componenti del Sistema Informativo Sanitario (HIS) (RIS, PACS).
PARTE II – INTELLIGENZA ARTIFICIALE (10 ore di lezione + 2,5 ore di laboratorio)
1. Introduzione all'IA (2 ore di lezione): Inquadramento storico, terminologia (IA predittiva vs. generativa), sistemi esperti, principi di apprendimento supervisionato, bias e varianza.
2. IA predittiva 1 (2 ore di lezione): Algoritmi di apprendimento supervisionato (regressione logistica, Random Forest, SVM, Boosting); introduzione al Deep Learning (reti neurali, CNN, RNN, Transformer).
3. IA predittiva 2 (2 ore di lezione + 1,5 ore di esercitazioni di laboratorio): Metriche di valutazione dei modelli, overfitting; apprendimento non supervisionato e trasformazione delle feature. Laboratorio: esercitazioni pratiche di machine learning con il software Orange.
4. IA generativa 1 (2 ore di lezione): Foundation Models e Large Language Models (LLM) applicati alle diverse tipologie di dati clinici.
5. IA generativa 2 (2 ore di lezione + 1 ora di esercitazioni di laboratorio): Medicina basata sull'IA, distillazione dei modelli, etica dell'IA e AI Act. Laboratorio: accesso guidato ed esplorazione di portali generativi (Gemini, NotebookLM, Consensus).
PARTE I – INFORMATICA MEDICA (10 ore di lezione + 2,5 ore di laboratorio)
1. Introduzione (2 ore di lezione): Dato, informazione e conoscenza; dimensioni dei dati clinici; processi di generazione e raccolta dei dati clinici (modelli orientati ai processi).
2. Organizzazione dei dati (2 ore di lezione + 1,5 ore di esercitazioni di laboratorio): Modello paziente/tabella; modello relazionale, diagrammi ER, progettazione di modelli a bassa ridondanza. Laboratorio di Database: esercitazioni pratiche sui modelli relazionali.
3. Conoscenza del dominio e interoperabilità semantica (2 ore di lezione): Tassonomie, ontologie e knowledge graph; terminologie standard e sistemi di codifica (ICD, SNOMED, LOINC, ATC).
4. Condivisione dei dati e interoperabilità sintattica (2 ore di lezione + 1 ora di esercitazioni di laboratorio): Standard di interoperabilità sintattica (XML, JSON, HL7, FHIR). Laboratorio: esercitazioni sui formati di scambio dati.
5. Sistemi informativi sanitari (2 ore di lezione): I sistemi sanitari e il Fascicolo Sanitario Elettronico (FSE) nazionale; componenti del Sistema Informativo Sanitario (HIS) (RIS, PACS).
PARTE II – INTELLIGENZA ARTIFICIALE (10 ore di lezione + 2,5 ore di laboratorio)
1. Introduzione all'IA (2 ore di lezione): Inquadramento storico, terminologia (IA predittiva vs. generativa), sistemi esperti, principi di apprendimento supervisionato, bias e varianza.
2. IA predittiva 1 (2 ore di lezione): Algoritmi di apprendimento supervisionato (regressione logistica, Random Forest, SVM, Boosting); introduzione al Deep Learning (reti neurali, CNN, RNN, Transformer).
3. IA predittiva 2 (2 ore di lezione + 1,5 ore di esercitazioni di laboratorio): Metriche di valutazione dei modelli, overfitting; apprendimento non supervisionato e trasformazione delle feature. Laboratorio: esercitazioni pratiche di machine learning con il software Orange.
4. IA generativa 1 (2 ore di lezione): Foundation Models e Large Language Models (LLM) applicati alle diverse tipologie di dati clinici.
5. IA generativa 2 (2 ore di lezione + 1 ora di esercitazioni di laboratorio): Medicina basata sull'IA, distillazione dei modelli, etica dell'IA e AI Act. Laboratorio: accesso guidato ed esplorazione di portali generativi (Gemini, NotebookLM, Consensus).
Lingua Insegnamento
ITALIANO
Altre informazioni
• Frequenza: Frequenza obbligatoria. Le presenze saranno registrate (nella maggior parte dei casi tramite l'App MyUniPv).
• Supporto a disabilità / DSA: Sono disponibili servizi di assistenza e adattamenti personalizzati tramite l'ufficio SAISD dell'Università di Pavia (Servizio Assistenza e Inclusione Studenti con Disabilità e DSA). Per ulteriori dettagli, visitare il sito https://saisd.unipv.it/.
• Orario di ricevimento: Su appuntamento con il Prof. Bellazzi
• Supporto a disabilità / DSA: Sono disponibili servizi di assistenza e adattamenti personalizzati tramite l'ufficio SAISD dell'Università di Pavia (Servizio Assistenza e Inclusione Studenti con Disabilità e DSA). Per ulteriori dettagli, visitare il sito https://saisd.unipv.it/.
• Orario di ricevimento: Su appuntamento con il Prof. Bellazzi
Corsi
Corsi
MEDICINA E CHIRURGIA
Laurea Magistrale Ciclo Unico 6 Anni
6 anni
No Results Found
Persone
Persone
No Results Found