Scuola di Farmacia e Nutraceutica

Università Magna Graecia di Catanzaro

C.I. DI APPLICAZIONI DI MACHINE LEARNING NELLA DIAGNOSTICA MEDICA

CdLM Biotecnologie Molecolari per la Medicina Personalizzata

Il  corso  si  prefigge  di  fornire  allo  studente  le  conoscenze  necessarie  sulle principali  tecniche  di  analisi  di intelligenza  artificiale utilizzabili  e  sulla loro appropriatezza e applicazione nella interpretazione dei dati di laboratorio utili nella diagnostica medica.

Modulo e/o Codocenza Docente CFU
Modulo di Scienze tecniche di medicina laboratorio Natalia Malara 4
Modulo di Scienze tecniche mediche applicate Alessia Sarica 3
Modulo di Scienze tecniche mediche applicate Fabiana Novellino 1
Modulo di Scienze tecniche mediche applicate Vera Gramigna 1
Docente:
Natalia Malara

SSD:
MED/46 - MED/50 - MED/50 - MED/50

CFU:
9

Scuola di Farmacia e Nutraceutica - Data stampa: 13/10/2024

Obiettivi del Corso e Risultati di apprendimento attesi

Lo studente dovrà acquisire nozioni sulle  tecniche e metodologie AI utilizzate nella medicina di precisione,  sulla loro  scelta  alla  luce  di  vantaggi  e  svantaggi  in  relazione  al quesito diagnostico e/o prognostico.  Dovrà inoltre imparare a comprendere ed utilizzare il lessico specifico in maniera corretta e consapevole.

Programma

Programma del Modulo di  Scienze Tecniche di medicina di laboratorio


La medicina di laboratorio nella medicina di precisione


-Cenni di metodologie di  laboratorio utili nella medicina di precisione:
Microscopia: ottica ed a fluorescenza. Tecniche elettroforetiche. Tecniche Immunometriche. Chemiluminescenza. Spettrofotometria.  Tecniche  di  colture  primarie.  Citometria  e Citofluorimetria.  PCR,  Real  Time  PCR,  RT-PCR,  PCR  in  situ. Valutazione  dell’errore  pre analitico  e  analitico.  Definizione  e  analisi  di  sensibilità  e  specificità.  Definizione  di biomarcatori diagnostici. Valore predittivo. Test di screening e test diagnostici. Test riflessi. Variabilità  biologica.  Variabilità  intrapaziente  e  interpaziente.  Valori  di  riferimento. Controllo di qualità. Validazione clinica 
-Metodi di laboratorio e applicazioni AI 
• Applicazioni di AI e ML nella diagnosi delle malattie del metabolismo
• Applicazioni di AI e ML  nella diagnosi malattie infettive e autoimmuni
• Applicazioni  di  AI  e  ML  nella  diagnostica  tumorale  e  la  valutazione  della  malattia minima residua 
• Applicazioni di AI e ML nella diagnostica cardiologia
• Applicazioni di AI e ML nella medicina di emergenza 
• AI e ML in Digital Patholgy 
• AI e ML nei Lab-on-chip e Homecare surveillance

Programma del Modulo di Scienze tecniche mediche applicate


Scienza dei Dati e modelli di Machine Learning con Applicazioni in Orange (Dott.ssa Sarica)
• Exploratory Data Analysis (EDA): analisi statistica descrittiva e tipologie di plot per la rappresentazione grafica di dati.
• Tecniche  di  unsupervised learning:  algoritmi  di  clustering  per la  stratificazione  di pazienti e metriche di valutazione del clustering.
• Tecniche  di  supervised  learning:  modelli  predittivi  (Naïve Bayes,  SVM,  Random Forest e Reti neurali) per la diagnosi automatica dei pazienti e valutazione delle loro performance.
Applicazioni di AI e ML alla diagnostica delle malattie del sistema nervoso (Dott.ssa Novellino)
• Principali  ambiti  clinici  di  applicazione  con  particolare  riferimento  alle  patologie degenerative del sistema nervoso.
• Tipologie  di  dati  che  è  possibile  acquisire:  variabili  cliniche,  neurofisiologiche  e bioimmagini (RMN, PET, scintigrafia).
• Individuazione del quesito clinico e dei parametri di interesse.
• Applicazioni di AI e ML per la diagnosi, la predizione e la stratificazione clinica dei pazienti nella medicina di precisione.
Applicazioni di AI e ML nei disordini del movimento (Dott.ssa Gramigna)
• Introduzione  all’analisi  del  cammino  in  una  popolazione  sana  e  in  pazienti  con patologie neurodegenerative. 
• Devices tecnologici per l’analisi della postura e del movimento in clinica.
• Analisi dei parametri cinematici spazio-temporali che caratterizzano il processo di deambulazione.
• Principali  algoritmi  di  intelligenza  artificiale  per  l’analisi  del  cammino  e  per l’identificazione di patologie che causano alterazioni della deambulazione.

Impegno orario complessivamente richiesto allo studente

Si  ritiene  che  siano  necessarie  circa  72 ore  per  lo  studio  individuale  degli argomenti previsti dal programma del Corso.

Metodi insegnamento

Lezioni  frontali  mediante  utilizzo  di  presentazioni  in  formato  Power  Point, discussione  delle  tecniche  di  machine  learning  applicate  su  esempi  clinico laboratoristici relativi alla medicina di precisione

Risorse per l'apprendimento

 Mauro Maccarrone. Metodologie biochimiche e biomolecolari. Zanichelli 2019.
• F.  Amaldi  et  al.  Tecniche  e  metodi  per  la  biologia  molecolare.  Casa  editrice Ambrosiana 2021.
• La Medicina di Laboratorio nell' Emergenza : (a cura di): Gandolfo GM, Amoroso A, Temperilli F, Borrelli V Conti L, Criniti A, Malara N. Editore Delfino 2020.
• Scienza ed Ingegneria dei Dati – Un Percorso di Apprendimento in Italiano. Di Mario A.B. Capurso
– Volume 1: Aspetti Metodologici, Acquisizione Dati, Gestione e Pulizia, Analisi e Visualizzazione con Applicazioni in Orange. 
– Volume  2:  Exploratory  Data  Analysis,  Metriche,  Modelli  Con  Applicazioni Nell’ambiente Python-Based Orange. 
• I sistemi di intelligenza artificiale come strumento di supporto alla diagnostica, a cura di  Consiglio  Superiore  di  Sanità  - Sezione  V,  Anno  2021 
https://www.salute.gov.it/portale/documentazione/p6_2_2_1.jsp?lingua=italiano&id=3218 .

Attività di supporto

Tutoraggio, ove previsto. Riunione tramite google-meet per chiarimenti su specifici argomenti del programma, su richiesta degli studenti.

Modalità di frequenza

Obbligo di frequenza, come indicato dall'art.8 del Regolamento didattico d'Ateneo.

Modalità di accertamento

Le  modalità  generali  sono  indicate  nel  regolamento  didattico  di  Ateneo all’art.22  consultabile  al  link 
http://www.unicz.it/pdf/regolamento_didattico_ateneo_dr681.pdf
Durante il corso saranno svolti due esoneri in itinere:
1° Forma scritta (test a risposta multipla e risposta aperta) (31 ottobre);
2° Presentazione power point di un progetto a gruppi da svolgere tramite software Orange (27/28 novembre).
L’esame finale sarà svolto in forma orale.
I criteri sulla base dei quali sarà giudicato lo studente sono:

  Conoscenza e 
comprensione argomento
Capacità di 
analisi e sintesi
Utilizzo di 
referenze
Non idoneo Importanti 
carenze.
Significative 
inaccuratezze
Irrilevanti. 
Frequenti 
generalizzazioni. 
Incapacità di sintesi
Completamente 
inappropriato
18-20 A livello soglia. 
Imperfezioni evidenti
Capacità appena 
sufficienti
Appena 
appropriato
21-23 Conoscenza 
routinaria
E’ in grado di 
analisi e sintesi 
corrette. 
Argomenta in 
modo logico e coerente
Utilizza le 
referenze 
standard
24-26 Conoscenza buona Ha capacità di a. 
e s. buone gli 
argomenti sono 
espressi 
coerentemente
Utilizza le 
referenze 
standard
27-29 Conoscenza più 
che buona
Ha notevoli 
capacità di a. e s.
Ha approfondito 
gli argomenti
30-30L Conoscenza 
ottima
Ha notevoli 
capacità di a. e s.
Importanti 
approfondimenti