Pubblicazioni

Revisione sistematica dei modelli di IA per prevedere la domanda del pronto soccorso, con articoli pubblicati tra il 2019 e luglio 2025 in cinque banche dati (PubMed, IEEE, Springer, ScienceDirect e ACM). Negli 11 studi inclusi, i modelli di machine learning e deep learning superano i classici ARIMA/SARIMA, soprattutto con dati non lineari e ad alta dimensionalità, e l'aggiunta di variabili esterne (meteo, qualità dell'aria, calendario) migliora costantemente i risultati (MAPE tra il 3% e il 18%). La scarsa validazione esterna e la mancanza di interpretabilità restano le principali barriere all'adozione clinica.

Analisi dei modelli spazio-temporali degli accessi al pronto soccorso dell'Hospital Royo Villanova (Saragozza) tra il 2011 e il 2024, integrando dati clinici, demografici, ambientali e socioeconomici. Con l'analisi geospaziale e l'apprendimento automatico (XGBoost interpretato con SHAP) emerge che l'ora del giorno è la variabile più influente per tutte le diagnosi, mentre temperatura, umidità e inquinanti come NO₂, SO₂ e O₃ condizionano gli accessi per cause respiratorie e lesioni. Si individuano zone ad alta domanda persistenti e cambiamenti strutturali dopo il COVID-19, soprattutto in pediatria.

Una pianificazione efficiente del trasporto sanitario è fondamentale per migliorare l'accessibilità e la qualità dell'assistenza. A partire da sette anni di dati del trasporto sanitario delle Asturie, lo studio applica tecniche di data mining per individuare le variabili più rilevanti nella previsione della domanda. Selezionare le variabili significative riduce il costo computazionale senza perdere precisione, migliorando la gestione delle risorse di trasporto sanitario e la pianificazione dei servizi di emergenza.

L'annegamento è un importante problema di salute pubblica in età infantile. Lo studio analizza 100 casi di annegamento pediatrico (0–14 anni) assistiti dai servizi di emergenza della Galizia tra il 2004 e il 2020. Il 55% è dovuto alla mancanza di sorveglianza; i più piccoli sono annegati soprattutto in piscina e gli adolescenti in spiaggia. Il 42% ha ricevuto la RCP da parte di testimoni, il tempo medio di intervento dei soccorsi è stato di 12 minuti e la sopravvivenza alla dimissione ha raggiunto il 77%, con la polmonite come complicanza frequente.

Studio pilota in simulazione con 21 partecipanti senza formazione in supporto vitale di base, guidati da un chatbot in versione beta con riconoscimento vocale e apprendimento automatico. Il 91% ha completato correttamente la sequenza di riconoscimento dell’arresto e tutti hanno chiamato il 112; il 62% ha posizionato le mani nel punto corretto. Un terzo ha eseguito una RCP di alta qualità (profondità media di 42 mm e 100 compressioni/min). L’assistente vocale è utile per i non addetti, anche se deve ridurre i tempi di risposta e migliorare il feedback sulle compressioni.

Lavoro che affronta la progettazione e l'integrazione di un sistema di controllo dei processi basato sul concetto di gemello digitale per l'industria agroalimentare: una replica virtuale del processo produttivo, alimentata con dati di impianto, che consente di monitorare, simulare e ottimizzare la produzione verso un'industria più efficiente e digitalizzata.

Studio pilota che esplora l'uso di un chatbot come strumento di assistenza affinché persone senza formazione sanitaria riconoscano un arresto cardiaco ed eseguano le prime manovre di rianimazione. Il lavoro analizza come la tecnologia conversazionale possa guidare passo dopo passo la prima risposta a un'emergenza cardiaca fino all'arrivo dei soccorsi.