Scuola di Farmacia e Nutraceutica

Scuola di Farmacia e Nutraceutica - Data stampa: 01/07/2025

Organizzazione della didattica

Organizzazione della didattica
Ore
Totali	Didattica frontale	Pratica (laboratorio, campo, esercitazione, altro)	Studio individuale
100	32	0	68
CFU/ETCS
4	4

Obiettivi Formativi

Il corso ha l’obiettivo di introdurre e approfondire l’utilizzo delle tecniche di Machine Learning nell’ambito biomedico e clinico, fornendo agli studenti competenze teoriche e pratiche per affrontare problemi complessi legati alla diagnosi, alla predizione e alla valutazione prognostica delle patologie del movimento. Partendo dai fondamenti delle principali metodologie, verranno analizzati diversi scenari applicativi della ricerca biomedica e della pratica clinica, con particolare attenzione alla medicina di precisione. Attraverso un approccio multidisciplinare, il corso si prefigge di fornire allo studente un’approfondita conoscenza delle principali soluzioni tecnologiche per

l’analisi del cammino in una popolazione sana e in pazienti con patologie neurodegenerative, delle tipologie di dati che è possibile acquisire e delle applicazioni di modelli di intelligenza artificiale per la diagnosi precoce e la stratificazione di patologie che causano alterazioni della deambulazione.

 

Al termine del corso, lo studente sarà in grado di:

• Individuare i principali devices tecnologici e le metodiche più comuni per l’analisi della postura e del movimento in clinica.
• Valutare i parametri più adatti per la caratterizzazione del processo di deambulazione.
• Conoscere le principali tecniche di acquisizione e pre-processing dei dati di movimento.
• Considerare i principali algoritmi di intelligenza artificiale per l’analisi del cammino e per l’identificazione di patologie che causano alterazioni della deambulazione.

• Valutare criticamente l’uso dell’IA nella biomeccanica e nelle patologie del movimento.

Prerequisiti

Sebbene non siano previsti prerequisiti formali obbligatori, si consiglia una conoscenza di base delle aree sottoelencate per una migliore fruizione del corso:

 

-Analisi statistica dei dati: introduzione ai concetti fondamentali come variabili, distribuzioni e test di ipotesi.

 

-Competenze informatiche di base: utilizzo di strumenti digitali per elaborare e gestire dati nell’ambito delle neuroscienze

Metodi Didattici

L’insegnamento sarà strutturato attraverso un approccio integrato che combina lezioni teoriche e attività pratiche, con l’obiettivo di favorire sia l’acquisizione di conoscenze concettuali che lo sviluppo di competenze applicative.

 

Le modalità didattiche previste includono:

 

Lezioni frontali, supportate da materiali multimediali (slide, video), per l’approfondimento dei contenuti teorici e la facilitazione della comprensione.

 

Visite laboratoriali, per la conoscenza pratica delle innovazioni tecnologiche e delle metodiche utilizzate nella gait analysis e delle loro applicazioni pratiche.

 

Lavori di gruppo e discussioni guidate, pensati per stimolare il confronto interdisciplinare, il lavoro collaborativo e le competenze comunicative. I lavori saranno focalizzati alla ricerca di database e articoli scientifici che dimostrino l’applicazione degli algoritmi di AI e ML nei disordini della deambulazione.

 

Analisi di casi reali, al fine di promuovere il pensiero critico, l’autonomia di giudizio e il collegamento tra teoria e pratica.

Supporto telematico, tramite piattaforme digitali per la condivisione di materiali didattici (e-learning

Descrittori di Dublino

Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:

• Individuare il quesito clinico di interesse e la tipologia di dato biomedico più appropriato.
• Comprendere le più diffuse tecnologie e metodologie applicate all’analisi del cammino in soggetti sani e in pazienti con disordini del movimento.
• Conoscere gli step principali per il pre-processing dei dati biomeccanici.
• Valutare gli algoritmi di AI e ML più adatti ai dati a disposizione.
• Conoscere l’importanza dell’AI per la diagnosi precoce, la valutazione prognostica e dell’efficacia del trattamento e per la stratificazione dei pazienti.

 

 

Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:

• Riconoscere i principali ambiti clinici di applicazione con particolare riferimento alle patologie degenerative del sistema nervoso.
• Individuare il quesito clinico e i parametri di interesse.
• Analizzare e interpretare le diverse tipologie di dati che è possibile acquisire: variabili cliniche, neurofisiologiche e bioimmagini (RMN, PET, scintigrafia).
• Analizzare i parametri biomeccanici che caratterizzano il processo di deambulazione.
• Individuare una possibile correlazione tra i dati neurofisiogici e biomeccanici.
• Valutare l’efficacia delle applicazioni di AI e ML per la diagnosi, la predizione e la stratificazione clinica dei pazienti nella medicina di precisione.

Descrittore di Dublino 3 (DD3) - Autonomia di giudizio

Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:

 

• Condurre un’analisi critica sull’affidabilità dei dati biomedici raccolti tramite le tecnologie per l’analisi della deambulazione e le valutazioni/scale cliniche.
• • Sviluppare un ragionamento critico sull’impatto dell’applicazione dei metodi di AI e ML nella pratica clinica.
  • Riconoscere i vantaggi, i punti di forza e le criticità dei sistemi impiegati.

   

   

   

  Descrittore di Dublino 4 (DD4) - Abilità comunicative

   

  Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:

  • Divulgare in modo efficace i risultati dei principali studi scientifici di settore;
  • Esporre con chiarezza le conoscenze acquisite durante il corso, mediante l’utilizzo di relazioni scientifiche, presentazioni e strumenti multimediali ed interattivi.
  • Essere protagonista attivo nelle discussioni scientifiche su tematiche interdisciplinari (medicina di precisione, personalizzazione dei percorsi di cura attraverso l’uso di AI, Ingegneria biomedica).

   

  Descrittore di Dublino 5 (DD5) - Capacità di apprendimento autonomo

   

  Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:

  • Condurre, in modo autonomo, un accurato studio di letteratura sullo stato dell’arte dell’analisi della deambulazione, delle metodologie utilizzate e delle soluzioni tecnologiche esistenti.
  Proporre applicazioni innovative degli algoritmi di AI e ML nel contesto clinico di riferimento.

Contenuti di insegnamento

Applicazioni di AI e ML nei disordini del movimento

• Principali ambiti clinici di applicazione con particolare riferimento alle patologie degenerative del sistema nervoso e ai disordini del movimento.
• Tipologie di dati biomedici: dati clinici (anamnesi, cartelle elettroniche, test diagnostici; dati di laboratorio (esami ematochimici, profili metabolici); immagini mediche (TAC, MRI, PET); segnali elettrofisiologici (ECG, EEG, EMG)
• Individuazione del quesito clinico e dei parametri di interesse
• Biomarcatori e medicina di precisione: valutazione delle applicazioni cliniche, supporto alla diagnosi e personalizzazione dei trattamenti
• Introduzione all’analisi del cammino in una popolazione sana e in pazienti con patologie neurodegenerative.
• Devices tecnologici per l’analisi della postura e del movimento in clinica.
• Analisi dei parametri cinematici spazio-temporali che caratterizzano il processo di deambulazione.
• Principali algoritmi di intelligenza artificiale per l’analisi del cammino e per l’identificazione di patologie che causano alterazioni della deambulazione

Testi di Riferimento, Note e Materiali Didattici

Testi di riferimento	I sistemi di intelligenza artificiale come strumento di supporto alla diagnostica, a cura di Consiglio Superiore di Sanità - Sezione V, Anno 2021 https://www.salute.gov.it/portale/documentazione/p6_2_2_1.jsp?lingua=italiano&id=3218.
Note ai testi di riferimento	Articoli Scientifici forniti dal docente.
Materiali didattici	Piattaforma e-learning di Ateneo https://elearning.unicz.it

Modalità di verifica dell'apprendimento e criteri di Valutazione

L’apprendimento sarà valutato tramite un esame obbligatorio consistente in un colloquio orale. Durante l’esame, lo studente dovrà dimostrare:

• Padronanza dei concetti teorici relativi all’intelligenza artificiale applicata ai disordini del movimento e alle principali tecniche di analisi dei dati biometrici del cammino.
• Capacità di applicazione pratica, attraverso l’uso consapevole di strumenti e metodologie di Machine Learning su dati clinici reali o simulati.
• Autonomia di giudizio, mostrando spirito critico nell’interpretazione dei risultati e nella valutazione dell’affidabilità dei modelli utilizzati.
• Abilità comunicative, presentando il proprio lavoro in modo chiaro, coerente e con un linguaggio scientifico appropriato.

Prova finale (obbligatoria): Esame orale

• Modalità: colloquio individuale.
• Obiettivo: valutare la conoscenza, la capacità di sintesi e l’applicazione delle conoscenze.
• Contenuti:
• Argomenti delle lezioni teoriche.
• Applicazione di algoritmi di AI e machine learning nell’analisi del cammino.
• Analisi critica dell’affidabilità dei modelli utilizzati sulle decisioni cliniche.
• Durata: 20–30 minuti.
• Peso sulla valutazione finale: 100%.

Per facilitare l’apprendimento e la preparazione della prova di esame, saranno effettuate durante il corso due prove “in itinere”, che si svolgeranno a metà e alla fine del corso.

La prima prova sarà svolta in forma scritta (con risposte a modalità mista: chiuse e aperte). La seconda sarà una prova consistente nella presentazione di un elaborato di gruppo. Le prove in itinere saranno facoltative e non avranno un peso nella valutazione finale.

La valutazione finale sarà pertanto basata sull’esito del colloquio orale.

Prove in itinere (facoltative, senza impatto sul voto finale)

Prima prova – Test scritto

• Modalità: domande a risposta multipla e aperta.
• Obiettivo: verificare la comprensione teorica iniziale.
• Contenuti:
• Tipologie di dati biomedici: dati clinici (anamnesi, cartelle elettroniche, test diagnostici; dati di laboratorio (esami ematochimici, profili metabolici); immagini mediche (TAC, MRI, PET); segnali elettrofisiologici (ECG, EEG, EMG)
• Devices tecnologici per l’analisi della postura e del movimento in clinica.
• Analisi dei parametri cinematici spazio-temporali che caratterizzano il processo di deambulazione.
• Principali algoritmi di intelligenza artificiale per l’analisi del cammino e per l’identificazione di patologie che causano alterazioni della deambulazione.
• Durata: 60 minuti.
• Materiali consentiti: nessuno.

Seconda prova – Progetto di gruppo

• Modalità: lavoro di gruppo con presentazione orale.
• Obiettivo: applicare i concetti studiati all’analisi di dati
• Contenuti:

• Ricerca ed esposizione di studi, database o progetti che dimostrano l’applicazione di modelli di machine learning ai dati biomeccanici e biomedici nel contesto della gait analysis. Casi studio e ideazione di nuove soluzioni.

• Strumenti: utilizzo di database internazionali accessibili online.

Materiali consentiti e comunicazione dei risultati: Durante la prima prova in itinere, non saranno ammessi materiali di supporto. Per il progetto di gruppo, sarà consentito l’uso di database internazionali accessibili online. Le valutazioni delle prove in itinere saranno comunicate direttamente agli studenti, senza influire sull’esame finale.

Criteri di Valutazione

La verifica dell’apprendimento avverrà tramite un esame orale obbligatorio, finalizzato ad accertare il livello di competenze acquisite in relazione agli obiettivi formativi del corso. La valutazione prenderà in considerazione i seguenti aspetti:

• la conoscenza teorica dei contenuti trattati
• la capacità di applicare in modo pratico le metodologie studiate;
• l’autonomia di giudizio nell’analisi e interpretazione dei dati;
• le abilità comunicative e di esposizione;
• la capacità di apprendimento autonomo e di approfondimento critico.

 

• Conoscenza e capacità di comprensione:

Comprensione approfondita dei concetti teorici legati all’utilizzo dell’intelligenza artificiale nello studio e nella gestione dei disordini del movimento con particolare attenzione alle metodologie di analisi dei dati biometrici del cammino. Questo include la conoscenza dei principali quesiti clinici di interesse (diagnosi differenziale, valutazioni prognostiche, dell’efficacia del trattamento, stratificazione dei pazienti) e dei modelli computazionali impiegati per l’elaborazione e l’interpretazione di segnali provenienti da sensori indossabili, sistemi di motion capture e piattaforme di analisi del passo.

 

Livelli di valutazione:

-Eccellente: Lo studente dimostra una conoscenza approfondita e integrata di tutti gli argomenti, collegando in modo critico le diverse tecnologie e metodologie.

-Buono: Buona conoscenza degli argomenti principali, con una discreta capacità di collegamento tra i concetti.

-Sufficiente: Conoscenza di base degli argomenti trattati, con alcune lacune e difficoltà nel collegare i concetti.

-Insufficiente: Lo studente non dimostra una comprensione adeguata degli argomenti e presenta gravi lacune teoriche.

 

• Conoscenza e capacità di comprensione applicate:

 

Capacità di applicare in modo pratico e consapevole strumenti e tecniche di Machine Learning all’analisi di dati clinici, sia reali che simulati. Ciò comprende l’abilità nell’impostare correttamente un flusso di lavoro analitico, dalla fase di pre-processing dei dati alla selezione del modello più appropriato, fino alla valutazione delle prestazioni e all’interpretazione dei risultati in un contesto clinico.

Livelli di valutazione:

-Eccellente: Lo studente dimostra una capacità approfondita di applicare in modo integrato tutte le diverse tecnologie e metodologie.

-Buono: Buona conoscenza degli argomenti principali, con una discreta capacità di applicazione delle metodologie studiate.

-Sufficiente: Capacità di applicazione delle metodologie di base, con alcune lacune e difficoltà nella individuazione del modello più appropriato.

-Insufficiente: Lo studente non dimostra una capacità inadeguata nell’applicazione delle metodologie e nella comprensione dei risultati, presentando gravi lacune.

 

• Autonomia di giudizio:

 

Dimostrare capacità critica nell’interpretazione dei risultati ottenuti dall’applicazione di modelli di Machine Learning, e nella valutazione dell’affidabilità e robustezza dei modelli utilizzati, considerando fattori come la qualità dei dati, la generalizzabilità dei risultati e le possibili implicazioni cliniche.

Livelli di valutazione:

-Eccellente: Lo studente dimostra eccellente autonomia di giudizio, analizzando in modo critico la robustezza e affidabilità dei modelli, considerando la qualità dei dati, la generalizzabilità e le implicazioni cliniche in modo completo e approfondito.

-Buono: Lo studente mostra buona autonomia di giudizio, considerando adeguatamente i fattori chiave come affidabilità e generalizzabilità, ma con qualche area di miglioramento nell'analisi delle implicazioni cliniche.

-Sufficiente: Lo studente ha una capacità di giudizio limitata, con una valutazione superficiale dei modelli e una comprensione parziale dei fattori come qualità dei dati e generalizzabilità.

-Insufficiente: Lo studente non dimostra una sufficiente autonomia di giudizio, ignorando o analizzando in modo impreciso i fattori critici come affidabilità, generalizzabilità e implicazioni cliniche.

 

• Abilità comunicative:

 

Capacità di presentare il proprio lavoro in modo chiaro, coerente e strutturato, utilizzando un linguaggio scientifico preciso e appropriato. Questo include la capacità di esporre concetti

complessi in modo accessibile, sostenere argomentazioni basate su evidenze e rispondere in modo efficace a domande e discussioni

Livelli di valutazione:

-Eccellente: l’esposizione è chiara, coerente e ben strutturata, con un linguaggio scientifico preciso e appropriato. Le risposte sono approfondite e articolate, dimostrando piena padronanza del tema.

-Buono: l’esposizione è chiara, coerente, con un linguaggio appropriato. Le risposte sono pertinenti, ma potrebbero essere più dettagliate o approfondite.

-Sufficiente: l’esposizione è comprensibile, ma con alcune imprecisioni nel linguaggio e nella struttura. Le risposte sono superficiali o parzialmente incomplete.

-Insufficiente: L’esposizione è confusa, con errori nel linguaggio e nella struttura. Le risposte sono incomplete o non pertinenti

 

• Capacità di apprendere:

 

Abilità di gestire in modo indipendente il proprio processo di apprendimento, cercando e utilizzando risorse aggiuntive per approfondire e espandere le conoscenze acquisite durante il corso. Mostra anche un forte spirito critico nell’analizzare le informazioni, valutando la qualità delle fonti, riflettendo sulle implicazioni dei concetti appresi e cercando di applicarli in contesti nuovi o complessi. Lo studente è in grado di integrare il proprio sapere con approcci innovativi e sperimentare soluzioni diverse per risolvere problemi complessi

 

Livelli di valutazione:

-Eccellente: Lo studente dimostra un alto grado di autonomia nell'apprendimento, approfondendo in modo critico e innovativo i concetti, utilizzando diverse fonti e approcci.

-Buono: Lo studente è autonomo nell'apprendimento, esplorando risorse aggiuntive e mostrando una buona capacità critica, sebbene ci sia qualche margine di approfondimento.

-Sufficiente: Lo studente dimostra apprendimento autonomo limitato, con un approfondimento superficiale dei concetti e una capacità critica non sempre sviluppata.

-Insufficiente: Lo studente ha scarso apprendimento autonomo, non esplora risorse esterne e mostra mancanza di approfondimento critico

Criteri di misurazione dell'apprendimento e di attribuzione del voto finale

Il voto dell’esame finale sarà espresso in trentesimi e l’esame si intenderà superato con un voto maggiore o uguale a 18/30.

 

Le prove in itinere facoltative non incideranno direttamente sul voto finale ma saranno utili per supportare lo studente nella verifica dell’apprendimento. La valutazione complessiva sarà determinata esclusivamente dalla prova orale obbligatoria.

 

La prova orale sarà finalizzata a valutere la conoscenza teorica, la capacità di applicazione le conoscenze in modo pratico, l'autonomia di giudizio, le abilità comunicative e la capacità di apprendimento in modo critico e consapevole.

Il voto finale sarà attribuito in base alla capacità di:

• Presentare i concetti in modo chiaro, preciso e strutturato.
• Dimostrare una conoscenza solida delle tecnologie per l’analisi del cammino, delle diverse tipologie di dati biomedici e biomeccanici, delle tecniche di pre-processing dei dati considerati e delle applicazioni dell’intelligenza artificiale nella gait analysis.
• Sviluppare un pensiero critico e autonomo nell’analisi dei risultati e nella discussione di casi studio.

 

Il voto sarà attribuito sulla base dei seguenti criteri:

30-30L Conoscenza eccellente e completa degli argomenti, esposizione chiara e rigorosa, capacità critica e autonomia di giudizio. Dimostra capacità di collegare i diversi temi trattati nel corso e di elaborare argomentazioni originali.

27-29 Ottima conoscenza della materia, esposizione strutturata e precisa, buona capacità di analisi critica e applicazione dei concetti.

24-26 Buona conoscenza degli argomenti trattati, esposizione chiara ma con alcune imprecisioni. Mostra una capacità di analisi accettabile e di applicazione delle metodologie.

21-23 Conoscenza discreta della materia, esposizione con qualche incertezza, capacità limitata di collegare i concetti e applicare le tecniche.

18-20 Conoscenza sufficiente degli argomenti trattati, esposizione poco fluida, difficoltà nell’applicare le metodologie di analisi neuroscientifica.

<18 (Insufficiente) Conoscenza lacunosa della materia, esposizione confusa, incapacità di applicare i concetti in modo adeguato. L’esame è considerato non superato.

La lode viene assegnata a studenti che dimostrano eccellenza in tutti i criteri di valutazione, distinguendosi per:

• Conoscenza approfondita su soluzioni tecnologiche per la gait analysis, pre-processing dei dati biomedici e AI, con capacità di collegare criticamente i concetti.
• Capacità di adattare autonomamente le metodologie studiate a contesti simili.
• Giudizio critico nella valutazione dell’affidabilità delle tecnologie, evidenziando limiti e punti forza.
• Modalità di esposizione scientifica chiara, rigorosa con un uso di linguaggio tecnico appropriato.

L’assegnazione della lode è deliberata all’unanimità dalla commissione, riservata a chi eccelle oltre il punteggio massimo