Recommender Systems in ambito medico: revisione sistematica e confronto pratico dei metodi di RS nei contesti clinici

Abstract

Questa tesi sviluppa e valuta un sistema di raccomandazione (RS) per il supporto decisionale in ambito sanitario, focalizzato sulla prioritizzazione dei test di laboratorio utilizzando il dataset MIMIC-IV. Inizialmente, viene condotta una revisione sistematica della letteratura sui RS applicati al contesto medico, esplorando le principali applicazioni (diagnosi, prescrizione di farmaci, supporto decisionale) e gli approcci metodologici adottati, come Collaborative Filtering (CF), Machine Learning (ML) e Deep Learning (DL). Successivamente, è stato implementato un sistema RS che suggerisce test diagnostici in base a caratteristiche del paziente, quali età, genere, diagnosi principale e codiagnosi. La validazione è stata effettuata con strategie di train/test split e cross-validation, adottando metriche quali accuracy, F1-score, precision@K e recall@K. I risultati evidenziano che Random Forest (ML) e Graph Neural Network (DL) raggiungono le migliori performance in termini di accuratezza complessiva e F1-score. Al contempo, i modelli di CF come SVD dimostrano robustezza su dataset di grandi dimensioni, mentre l’approccio ibrido SVD + XGBoost bilancia efficienza e precisione. In conclusione, il sistema proposto mostra potenzialità significative per ottimizzare i processi diagnostici ospedalieri, facilitando decisioni rapide ed efficaci nei contesti clinici

This thesis develops and evaluates a recommendation system (RS) for decision support in healthcare, focusing on prioritizing laboratory tests using the MIMIC-IV dataset. Initially, a systematic review of the literature is conducted to explore RS applications in the medical domain, including diagnosis, drug prescription, and decision support. The review also examines the main methodological approaches adopted, such as Collaborative Filtering (CF), Machine Learning (ML), and Deep Learning (DL). Subsequently, an RS was implemented to recommend diagnostic tests based on patient characteristics, such as age, gender, primary diagnosis, and comorbidities. The validation was carried out using train/test split and cross-validation strategies, employing metrics such as accuracy, F1-score, precision@K, and recall@K. The results show that Random Forest (ML) and Graph Neural Network (DL) achieve the best performance in terms of overall accuracy and F1-score. Meanwhile, CF models such as SVD demonstrate robustness on large datasets, while the hybrid approach SVD + XGBoost balances efficiency and precision. n conclusion, the proposed system demonstrates significant potential for optimizing hospital diagnostic processes, enabling rapid and effective decision-making in clinical settings