AI per la riabilitazione neurologica -- Data analytics, modelli predittivi e LLM per il supporto ai protocolli riabilitativi

SENZA Riconoscimento ECM

Ha conseguito la laurea in Scienze dell'Informazione presso l'Università di Pisa nel 1995 e il dottorato di ricerca in Informatica presso lo stesso ateneo nel 2002, con una tesi sul coordinamento distribuito di sistemi di robot mobili autonomi. Durante il dottorato ha trascorso periodi di ricerca presso la Carleton University di Ottawa, Canada, dove ha anche svolto attività didattica su algoritmi distribuiti. Attualmente è Professore Associato presso il Dipartimento di Informatica dell'Università di Pisa, dove ricopre il ruolo di Presidente del Corso di Laurea Magistrale in "Informatics for Digital Health". È inoltre Adjunct Professor presso la University of Ottawa. I suoi interessi di ricerca hanno riguardato inizialmente algoritmi distribuiti, sistemi di agenti mobili e robot mobili autonomi, per poi estendersi all'applicazione di metodologie di Machine Learning, Big Data Analytics e Intelligenza Artificiale — inclusi i sistemi di IA agentica — in ambito digital health, con particolare attenzione all'analisi dei dati, alla modellazione predittiva e all'innovazione nel settore. Autore di oltre 90 pubblicazioni indicizzate, partecipa e coordina attività in progetti di ricerca competitivi nazionali e internazionali, tra cui il progetto europeo AInCP e un progetto FISA, entrambi orientati allo sviluppo e alla validazione di soluzioni di Intelligenza Artificiale a supporto della valutazione clinica personalizzata e della riabilitazione. Ha tenuto e tiene insegnamenti e attività formative su Machine Learning, Intelligenza Artificiale, Generative AI, LLM, prompt engineering, Agentic AI, sistemi multi-agente e digital health presso l'Università di Pisa, nell'ambito di master universitari e in percorsi di formazione avanzata rivolti anche al mondo industriale.

Il corso introduce i principali approcci di data analytics e di Intelligenza Artificiale applicati alla riabilitazione neurologica, con l’obiettivo di mostrare come i dati clinici e di processo possano essere utilizzati per supportare la valutazione, la personalizzazione e l’ottimizzazione dei percorsi riabilitativi. A partire dai dati raccolti durante l’attività clinica e tramite dispositivi digitali e sistemi di monitoraggio, il corso illustra come tecniche di analisi dei dati e modelli predittivi possano contribuire all’identificazione di pattern clinici, alla stratificazione dei pazienti e alla stima degli esiti riabilitativi.  Particolare attenzione è dedicata al ruolo emergente dei modelli di Intelligenza Artificiale nel supporto alla definizione e all’adattamento dei protocolli riabilitativi. Vengono presentati esempi di utilizzo di modelli predittivi per l’analisi dei progressi del paziente e per la personalizzazione degli interventi, insieme alle potenzialità offerte dai Large Language Models nella gestione e nell’elaborazione della conoscenza clinica, ad esempio per il supporto alla produzione e revisione di protocolli terapeutici.  Il corso discute inoltre le principali sfide legate all’introduzione di sistemi basati su AI nei contesti clinici reali, tra cui la qualità e l’eterogeneità dei dati, l’interpretabilità dei modelli, la validazione degli algoritmi e l’integrazione con i flussi di lavoro clinici. Attraverso esempi e casi applicativi nel campo della riabilitazione neurologica, i partecipanti acquisiranno una visione chiara delle opportunità e dei limiti dell’AI in questo ambito, comprendendo come queste tecnologie possano affiancare i professionisti sanitari nel migliorare la progettazione e la gestione dei percorsi riabilitativi.

Corso di alta formazione (post laurea, professionalizzante); corso a livello dottorale (si prevede test di valutazione finale).

Minimo 10