Progetti di tesi di Laurea Magistrale (English below)
Progetto 1: Sequenziamento degli interventi chirurgici: un framework reattivo basato sulla programmazione lineare intera
Il progetto consiste nell'individuare la configurazione ottima dei Break-In-Moment (BIM), vale a dire dei tempi di rilascio delle sale operatorie che operano in parallelo durante l'arco della giornata. La minimizzazione dei Break-In-Interval (BII), vale a dire del tempo che intercorre tra due BIM consecutivi, permette infatti di garantire un rapido inserimento dei pazienti emergenziali. Verranno proposti modelli di Programmazione Lineare Intera per il sequenziamento delle sale operatorie prima dell'inizio dei blocchi operatori e durante (framework reattivo), che terrà conto dell'impiego delle risorse a disposizione (assegnamento paziente-equipe chirurgica e unità post-operatorie). Un'analisi di sensitività consentirà di studiare l'impatto del metodo proposto al variare dell'incertezza dei tempi operatori e del numero di pazienti emergenziali. Per questo progetto verranno usati open data e dati generati artificialmente, in modo tale da studiare l'effetto della metodologia proposta in diversi contesti operativi.
Progetto 2: Ottimizzazione online delle sale operatorie basata su algoritmi di machine learning
L'obiettivo del progetto di tesi è l'analisi di algoritmi di ottimizzazione online per il problema della gestione in tempo reale delle sale operatorie, vale a dire del problema decisionale circa l'assegnamento dello straordinario in alternativa alla cancellazione dell'intervento. Gli algoritmi di ottimizzazione online verranno definiti a partire dall'analisi ex post delle soluzioni (offline) ottime basate sui dati storici. Il progetto si divide in tre fasi. Nella prima fase, verrà formulato un modello di Programmazione Lineare Intera per l'allocazione ottima dello straordinario del blocco operatorio durante la settimana, la cui risoluzione permetterà di etichettare ogni intervento chirurgico come candidato o meno all'assegnazione dello straordinario in base allo scenario che si presenta. Nella seconda fase, verranno impiegate tecniche di classificazione interpretabili e non per predire la convenienza dell'assegnazione dello straordinario. Nella terza fase, un modello di simulazione a eventi discreti consentirà il confronto tra diversi algoritmi basati sulle predizioni offerte dai modelli di classificazione. Per questo progetto verranno usati open data e dati generati artificialmente, in modo tale da studiare l'effetto della metodologia proposta in diversi contesti operativi.
Progetto 3: Ottimizzazione distribuzionalmente robusta per l'allocazione giornaliera delle risorse del blocco operatorio
L’obiettivo del progetto è sviluppare un modello di pianificazione giornaliera delle sale operatorie basato su ottimizzazione distribuzionalmente robusta (DRO), capace di sequenziare e assegnare gli interventi chirurgici alle risorse disponibili (sale operatorie, chirurghi, anestesisti, infermieri, OSS, posti ICU) tenendo conto di vincoli di compatibilità e dell’incertezza nelle durate operative. Il modello mira a minimizzare il makespan di chirurghi e anestesisti e l’overtime complessivo garantendo al contempo la robustezza delle soluzioni rispetto a variazioni realistiche nelle distribuzioni delle durate. Data la complessità del problema, si propone un approccio metaeuristico o math-euristico. Per questo progetto verranno usati open data e dati generati artificialmente, in modo tale da studiare l'effetto della metodologia proposta in diversi contesti operativi.
Progetto 4: Dalla conoscenza implicita a quella esplicita: un serious game per l'apprendimento dei processi organizzativi ospedalieri
L'obiettivo del progetto di tesi è lo sviluppo di uno strumento di apprendimento dei criteri impliciti adottati dal personale sanitario nella programmazione di servizi ospedalieri. Attraverso un'interfaccia grafica, tale strumento dovrà generare degli scenari verosimili che porranno l'operatore sanitario di fronte a delle decisioni di tipo gestionale in quello che viene definito come un "serious game". Ciò permetterà una raccolta di dati che verranno manipolati automaticamente attraverso algoritmi di Machine Learning per esplicitare i criteri impliciti adottati dall'operatore, con l'obiettivo di simulare il suo comportamento all'interno di scenari diversi e/o con informazioni più complete di quelle presenti nei dati storici. Per il progetto verrà trattato il caso di studio reale di un istituto di diagnostica pavese.
Progetto 5: Schedulazione dinamica degli esami di TAC basata su algoritmi di machine learning
L'obiettivo del progetto di tesi è l'analisi di algoritmi di ottimizzazione dinamica per il problema della schedulazione in tempo reale degli esami di TAC, vale a dire del problema decisionale circa l'allocazione delle macchine e dei radiologi in seguito alla richiesta di esami urgenti. Gli algoritmi di ottimizzazione online verranno definiti a partire dall'analisi ex post delle soluzioni (offline) ottime basate sui dati storici. Il progetto si divide in tre fasi. Nella prima fase, verrà formulato un modello di Programmazione Lineare Intera per l'allocazione ottima delle risorse, la cui risoluzione permetterà di etichettare ogni esame con il tempo di inizio programmato ottimale. Nella seconda fase, verranno impiegate tecniche di classificazione multiclasse e/o regressione per definire regole di schedulazione dinamica. Nella terza fase, un modello di simulazione a eventi discreti consentirà il confronto tra diversi algoritmi basati sulle predizioni offerte dai modelli di machine learning. Per il progetto verrà trattato il caso di studio reale di un istituto di diagnostica pavese.
Progetto 6: Clusterizzazione outcome-aware dei percorsi clinici per la predizione della mortalità a breve termine
Il progetto mira a sviluppare un modello di clustering outcome-aware delle sequenze di cura ospedaliere dei pazienti con trauma maggiore, con l’obiettivo di individuare gruppi di percorsi clinici caratterizzati da differenti probabilità di mortalità a breve termine. Le sequenze di eventi (procedure chirurgiche, ricovero e trasferimenti nei reparti) vengono analizzate per estrarre pattern temporali e organizzativi rilevanti. Il modello integra tecniche di apprendimento supervisionato e clustering gerarchico per creare raggruppamenti che massimizzano la separazione in termini di esito clinico, fornendo così una base per comprendere quali configurazioni di percorso siano associate a esiti migliori o peggiori e supportare strategie di ottimizzazione dei processi assistenziali. Per il progetto verranno utilizzati i dati di un caso reale presso il Policlinico San Matteo di Pavia.
Master degree thesis projects
Project 1: Surgical case sequencing: a reactive framework based on integer linear programming
The project consists in identifying the optimal configuration of the Break-In-Moments (BIM), i.e. the release times of the operating rooms that operate in parallel throughout the day. The minimization of Break-In-Interval (BII), that is the time elapsing between two consecutive BIMs, allows the rapid insertion of emergency patients. Integer Linear Programming models will be proposed for the sequencing of operating rooms before the start of the operating blocks and during their execution (reactive framework), which will take into account the use of available resources (assignment of patient-surgical team and post-operative units). A sensitivity analysis will allow the study of the impact of the proposed method on varying the uncertainty of the operating times and the number of emergency patients. For this project, open data and artificially generated data will be used, in order to analyze the effect of the proposed methodology in different operational contexts.
Project 2: Online optimization of operating rooms based on machine learning algorithms
The objective of the thesis project is the analysis of online optimization algorithms for the problem of real-time management of operating rooms, i.e., the decision-making problem regarding the assignment of overtime as an alternative to the cancellation of the operation. The online optimization algorithms will be defined starting from the ex-post analysis of the optimal (offline) solutions of the historical data. The project is divided into three phases. In the first phase, a multi-objective Integer Linear Programming model will be formulated for the optimal allocation of the overtime of the operating block during the week, the resolution of which will allow each surgical intervention to be labeled as a candidate or not for the assignment of overtime based on the current scenario. In the second phase, interpretable and non-interpretable classification techniques will be used to predict the suitability of overtime assignments. For this project, open data and artificially generated data will be used in order to analyze the effect of the proposed methodology in different operational contexts.
Project 3: Distributionally robust optimization for the daily allocation of operating room resources
The objective of this project is to develop a daily operating room scheduling model based on Distributionally Robust Optimization (DRO), capable of sequencing and assigning surgical procedures to available resources (operating rooms, surgeons, anesthesiologists, nurses, support staff, ICU beds) while accounting for compatibility constraints and uncertainty in operative durations. The model aims to minimize the makespan of surgeons and anesthesiologists and the total overtime, while ensuring the robustness of the solutions against realistic variations in the duration distributions. Given the complexity of the problem, a metaheuristic or matheuristic approach is proposed. The project will use open data and synthetically generated datasets to study the performance of the proposed methodology across different operational contexts.
Project 4: From implicit to explicit knowledge: a serious game for learning hospital organizational processes
The objective of the thesis project is the development of a learning tool for the implicit criteria adopted by healthcare personnel in the planning of hospital services. Through a graphical interface, this tool will have to generate plausible scenarios that will put the healthcare operator in front of management decisions in what is defined as a "serious game". This will allow a collection of data that will be automatically manipulated through Machine Learning algorithms to explain the implicit criteria adopted by the operator, with the aim of simulating his behavior within different scenarios and/or with more complete information than that present in historical data. For the project, the real case study of a diagnostic center in Pavia will be treated.
Project 5: Dynamic scheduling of CT exams based on machine learning algorithms
The goal of this thesis project is to analyze dynamic optimization algorithms for the real-time scheduling of CT (Computed Tomography) exams, that is, the decision-making problem concerning the allocation of machines and radiologists following urgent exam requests. The online optimization algorithms will be designed based on the ex-post analysis of optimal (offline) solutions derived from historical data. The project is divided into three phases. In the first phase, an Integer Linear Programming (ILP) model will be formulated for the optimal allocation of resources, whose solution will allow each exam to be labeled with its optimal scheduled start time. In the second phase, multiclass classification and/or regression techniques will be employed to define dynamic scheduling rules. In the third phase, a discrete-event simulation model will be developed to compare different algorithms based on the predictions provided by the machine learning models. The project will be carried out using a real case study from a diagnostic institute located in Pavia, Italy.
Project 6: Outcome-aware clustering of clinical pathways for short-term mortality prediction
The project aims to develop an outcome-aware clustering model for analyzing hospital care sequences of patients with major trauma, with the goal of identifying groups of clinical pathways characterized by different probabilities of short-term mortality. Sequences of events (such as surgical procedures, hospital admissions, and ward transfers) are analyzed to extract relevant temporal and organizational patterns. The model integrates supervised learning and hierarchical clustering techniques to create groupings that maximize separation in terms of clinical outcomes, providing insights into which care pathway configurations are associated with better or worse outcomes and supporting strategies for optimizing clinical processes. Data from a real-world case at Policlinico San Matteo in Pavia will be used for the project.