Proprio sul Fascicolo Sanitario Elettronico si è soffermato il contributo di Pecoraro, sottolineando la necessità di sviluppare uno strumento che contenga informazioni strutturate e che sia interoperabile con altri sistemi informativi sanitari. Inoltre, il Fascicolo dovrà ricoprire un ruolo non solo di supporto alla cura, cioè facilitare la presa in carico del paziente e le operazioni di diagnosi e cura tra professionisti e strutture sanitarie diverse, ma anche che fornisca dati a decisori e mondo della ricerca per studi di tipo epidemiologico e di governo.  

È possibile riascoltare qui l’intervento del ricercatore.  

All’esperienza dell’utenza di un servizio di Telemedicina sperimentato presso l’Azienda Ospedaliera San Giovanni Addolorata di Roma è dedicato invece l’ultimo Working Paper di IRPPS a cui ha contribuito il gruppo Salute e società. È possibile leggerlo qui.  

HIN è un metodo che facilita il ragionamento clinico e migliora la formazione degli studenti e dei professionisti nel settore sanitario (sia in medicina umana che veterinaria). 

Fabrizio Pecoraro (CNR-IRPPS) ripercorre i punti salienti del progetto in un audio-abstract.

Scopri di più sul sito https://www.healthissuenetwork.org/ita/home

E sui working paper:

• Antonio D’Uffizi, Fabrizio L. Ricci, Fabrizio Pecoraro, Oscar Tamburis (2023). La flessibilità di un caso clinico (un diagramma f HINe) Roma: Consiglio Nazionale delle Ricerche Istituto di Ricerche sulla Popolazione e le Politiche Sociali, (IRPPS Working papers n. 14 2 202 4 , p . 2 0

• Antonio D’Uffizi, Fabrizio L. Ricci, Fabrizio Pecoraro, Daniela Luzi, Giuseppe Stecca, Fabrizio Consorti, Fabrizio Murgia (2023). UA Complexity Measure for Clinical History Models. Roma: Consiglio Nazionale delle Ricerche – Istituto di Ricerche sulla Popolazione e le Politiche Sociali, (IRPPS Working papers n. 138/2023, p. 20).
  
• Ricci, F. L., Pecoraro, F., Luzi, D., Consorti, F., & Tamburis, O. (2020). HIN (Health Issue Network). Rete dei problemi di salute. Uso delle reti di Petri per l’educazione nelle scienze mediche. IRPPS Working Papers, 1–140.

È possibile presentare la propria proposta entro il 29 marzo 2024, inviando un abstract di circa 3000 battute (spazi inclusi).

Tutte le informazioni sono disponibili nella call.

Welfare & Ergonomia è una rivista in Fascia A, Anvur, edita Franco Angeli editore, su progetto editoriale e direzione IRPPS (grazie alla ricercatrice Antonella Ciocia).

 A titolo esemplificativo, i contributi per l’edizione in oggetto potranno riguardare:

• gli aspetti sociosanitari derivanti dal sovraffollamento sia a livello collettivo che individuale;
• l’importanza della cura degli affetti in carcere per raccogliere suggestioni in una prospettiva di riforma;
• la relazione reciproca tra forme di giustizia riparativa e rinserimento sociale;
• l’importanza dei percorsi di istruzione in carcere e di formazione professionale;
• l’analisi delle best practices italiane o europe e volti a promuovere la formazione, l’inserimento e l’assunzione lavorativa;
• l’analisi dei modelli tradizionali di welfare e la loro attuazione nei confronti delle persone private della libertà, con attenzione anche ai nuovi modelli o alle policy che riguardano detenuti o ex detenuti;
• l’analisi della normativa e della giurisprudenza in tema di reinserimento sociale-lavorativo dei detenuti;
• l’analisi critica del ruolo degli Enti territoriali e delle organizzazioni del privato sociale, del privato nel garantire formazione, inserimento e assunzione lavorativa;
• l’analisi delle best practices territoriali o sperimentati in singoli istituti penitenziari;
• l’analisi dei fattori che portano alla recidiva: 
• l’analisi della spesa statale e regionale volta a promuovere percorsi di inserimento sociale e lavorativo;
• il trattamento dei detenuti dimittendi, giunti a fine pena;
• l’impatto delle nuove tecnologie, come l’Intelligenza artificiale, o le neuroscienze sul reinserimento sociale e lavorativo delle persone detenute.

Sala Europa, IRPPS via Palestro 32 – Roma

Abstract

Artificial Intelligence (AI) is transforming people’s life in unprecedented ways. AI models have human or superhuman abilities in multiple tasks, e.g., gaming, driving, conversation, and content organization. In biomedical research, however, AI demonstrated as much promise, e.g., in molecular drug design, as much disappointment, e.g., in clinical drug repurposing or public health intervention. One of the reasons is that the datasets AI feeds on –sourced from real world databases such electronic health records (EHR)– are often littered with bias. Such bias might be irrelevant to predict the happening of health conditions, but it influences any strategy to prevent such conditions from happening. In this talk, we will take a dive into the promises and perils of AI in healthcare, and its troubled relationship with data, bias, and causality. We will explore novel causal AI methodologies able to both provide accurate individual health predictions as well as interventions. Finally, we will present use cases of causal AI on large, integrated EHR data, and an eagle’s view of EHR consortia in the USA.

Short biographies

Mattia Prosperi, PhD, FAMIA, is Professor in the Department of Epidemiology, and Associate Dean of AI and Innovation in the College of Public Health and Health Profession at University of Florida. His background is in computer science engineering, with expertise in machine learning, bio-health informatics, and epidemiology. His research leverages technology and data intelligence to develop prediction and intervention models for improving future health and lives. In his administrative role, his mission is to expand AI infrastructure, training, research and expertise capacity in public health and health professions.

Yi Guo, PhD, is Associate Professor in the Department of Health Outcomes, Policy and Biomedical Informatics, College of Medicine, University of Florida. He has a multi-disciplinary background in the analysis of real-world data, including electronic health records and administrative claims, experimental and observational study design, predictive modeling (e.g., statistical and machine learning), causal modeling, and analysis of patient-reported outcomes in clinical and public health applications, and among various populations, especially vulnerable populations.