Sviluppo e valutazione di un sistema basato su Intelligenza Artificiale per la manutenzione predittiva e il supporto decisionale nel ciclo di vita delle apparecchiature elettromedicali

Managing the electromedical technological park is critical for patient safety and operational efficiency in healthcare institutions. This thesis addresses the limitations of the traditional Replacement Priority Index (IPS), demonstrating its poor predictive capability in identifying devices at risk of disposal. The main objective is the development of an advanced decision support system integrating multilevel predictive approaches for proactive equipment lifecycle management. The proposed methodology combines an optimized priority index with machine learning models, a multi-state competing risks survival analysis, natural language processing techniques for semantic categorization of intervention causes, and a retrieval-augmented generation system for technical support. The models have been integrated into a unified management platform, providing the Clinical Engineering staff with a comprehensive and contextualized view of failure and replacement risks. The system was empirically validated on real-world data from the IRCCS Carlo Besta Neurological Institute, showing a significantly higher capability than traditional tools in anticipating critical events. Results indicate that the integration of advanced methodologies enables strategic replacement planning, more effective predictive maintenance, and reduced downtime. The proposed approach serves as a valuable decision support tool, capable of transforming historical data into actionable insights for resource optimization and quality of care assurance.

La gestione del parco tecnologico elettromedicale rappresenta una sfida cruciale per garantire la sicurezza dei pazienti e l'efficienza operativa degli istituti sanitari. Questa tesi affronta le limitazioni nella tradizionale gestione della priorità di sostituzione (IPS), dimostrando la sua scarsa capacità predittiva nell'identificare i dispositivi a rischio di dismissione. L'obiettivo principale è lo sviluppo di un sistema avanzato di supporto decisionale che integri approcci predittivi multilivello per una gestione proattiva del ciclo di vita delle apparecchiature. La metodologia proposta combina un indice di priorità ottimizzato con modelli di machine learning, un'analisi di sopravvivenza multistato a rischi concorrenti, tecniche di elaborazione del linguaggio naturale per la categorizzazione semantica delle causali di intervento e un modello linguistico con recupero contestuale per il supporto tecnico. I diversi moduli sono stati integrati in una piattaforma gestionale unificata che fornisce al personale di Ingegneria Clinica una visione completa e contestualizzata del rischio di guasto e di dismissione. Il sistema è stato validato empiricamente su dati reali dell'IRCCS Istituto Neurologico Carlo Besta, dimostrando una capacità significativamente superiore rispetto agli strumenti tradizionali nell'anticipare gli eventi critici. I risultati evidenziano che l'integrazione di metodologie avanzate consente una pianificazione strategica delle sostituzioni, una manutenzione predittiva più efficace e una riduzione del downtime. L'approccio proposto si configura come un valido strumento di supporto decisionale, in grado di trasformare i dati storici in azioni concrete per ottimizzare le risorse e garantire al contempo cure di qualità.