Ongoing

SynDiag fornisce un software per la gestione dei casi clinici ginecologici in grado di abilitare la diagnosi precoce del tumore ovarico (oggi il 75% delle diagnosi è tardivo e causa un tasso di sopravvivenza inferiore al 30%).

Attualmente i medici (esperti, alle prime armi, specializzandi o studenti) hanno la possibilità di partecipare a delle lezioni frontali teoriche dirette per imparare a usare al meglio il software, che sono basate sulla discussione di casi clinici già risolti. L’obiettivo principale della tesi è quello di potenziare il processo di apprendimento, rendendolo fruibile sulla piattaforma in autonomia e creando un percorso di formazione individuale ottimizzato in base al livello di competenza del medico, sulle sue conoscenze pregresse e sulla sua curva di apprendimento durante la formazione stessa.

In particolare, l’applicativo consentirà al medico di accedere ad un’area personale dell’Academy, nella quale, in una prima fase viene testato il livello di competenza del medico, facendogli visualizzare alcuni casi clinici e chiedendo al medico di fare una diagnosi.
La diagnosi del medico vuole essere strutturata non su testo libero, ma su campi predefiniti in modo da renderla standardizzata e facilitare la definizione del percorso di apprendimento che si vuole proporre, così come la verifica dell’apprendimento stesso durante l’Academy.
Una volta completata la diagnosi, il sistema assegnerà uno scoring riguardante il livello di conoscenza del medico e gli proporrà un percorso di formazione ad-hoc.
Il percorso di formazione prevede la presentazione di un insieme più numeroso di casi clinici (già diagnosticati) guidati, a complessità crescente, che il medico dovrà risolvere con il supporto di un albero decisionale probabilistico. Dopo ogni caso l’applicativo calcolerà di volta in volta il nuovo scoring rendendo il percorso dinamico e adattandolo alle esigenze di apprendimento del medico che l’algoritmo sarà in grado di estrarre e interpretare.

Nella prima fase del progetto è necessario inquadrare il metodo di apprendimento e di diagnosi dei casi clinici da parte dei medici, in modo da stabilire quali debbano essere le domande che dovranno accompagnare ogni esercizio di diagnosi sulla piattaforma; sono quindi previsti incontri e interviste a medici.
Questa fase si pone l’obiettivo di definire una metrica per valutare la capacità di diagnosi dei medici sulla base della quale verrà poi determinato il percorso di formazione, e che dovrà essere monitorata durante la formazione stessa.

Successivamente, la fase di progettazione e implementazione riguarderà il design e lo sviluppo dell’applicativo e dei suoi componenti. L’applicazione verrà realizzata in Javascript su ambiente di sviluppo Node.js. Si userà invece AWS (Amazon Web Services) per il Database (database non relazionali MongoDB) e per realizzare l’albero decisionale.

Una volta completato lo sviluppo si procederà con una fase di testing per verificare l’effettiva usabilità e funzionalità dell’applicativo.
Bisognerà quindi verificare che il servizio offerto porti al risultato sperato, ovvero un effettivo miglioramento nel procedimento di diagnosi da parte dei medici che hanno frequentato l’academy, e contestualmente che la piattaforma sia semplice da usare, intuitiva e che i medici possano considerarlo come un valore aggiunto da utilizzare nella loro esperienza di diagnosi.


Candidate

Martina Lilla
s273716@studenti.polito.it

Thesis Details

Luigi De Russis
SynDiag
Conti Daniele
Master Degree in Computer Engineering
2021-02-01