Identificazione precoce dei pazienti a rischio.
Machine learning su dati ospedalieri e note cliniche per supportare l’identificazione precoce di pazienti a rischio di PAH.
Riconoscere prima i segnali da approfondire.
L’ipertensione arteriosa polmonare (PAH) può essere riconosciuta tardivamente. Il progetto ha affrontato la possibilità di utilizzare dati ospedalieri già disponibili per evidenziare segnali utili a orientare ulteriori approfondimenti clinici.
- Machine learning
- Dati clinici
- Supporto decisionale
Ciò che abbiamo progettato.
Il progetto mette in relazione dati distribuiti nel percorso assistenziale e capacità predittive. Le segnalazioni indicano elementi da approfondire: la diagnosi e le decisioni restano cliniche.
Analizzare i percorsi
Abbiamo analizzato dati di fruizione ospedaliera e note cliniche per ricostruire elementi ricorrenti nei percorsi dei pazienti.
Individuare i pattern
Modelli di machine learning sono stati sviluppati per ricercare associazioni nei dati clinici e nelle modalità di accesso ai servizi sanitari.
Supportare l’allerta precoce
I segnali individuati alimentano un sistema di allerta a supporto dei clinici, con l’obiettivo di identificare persone da valutare e orientare lo screening.
Percorsi e note cliniche
Pattern con machine learning
Segnali per i clinici
Ciò che rendepossibile.
- Sviluppo di un sistema di allerta precoce.
- Identificazione di pattern nei percorsi ospedalieri.
- Supporto alla selezione degli approfondimenti clinici.
Vuoi sviluppare strumenti di analisi per dati e percorsi sanitari?
Partiamo dal tuo contesto, dai dati disponibili e dal primo risultato utile.
Raccontaci il tuo progetto
Robotica umanoide in produzione.
Piegatura, saldatura, stampaggio. Un assessment di processi e costi per progettare il primo pilota e la roadmap di integrazione.