Edge computing nel settore medicale basato sul machine learning: una review sistematica

Abstract

La sanità sta subendo una significativa trasformazione, guidata dai rapidi progressi tecnologici. Negli ultimi anni, è diventato evidente che l'intelligenza artificiale sta creando nuove opportunità nella diagnosi e nel trattamento, nonché nella gestione dei pazienti. In questo ambito l'Edge Computing è particolarmente degno di nota, poiché consente l'analisi in tempo reale dei dati e abilita la possibilità di prendere decisioni basati sui dati in tempo reale, direttamente presso il punto di cura del paziente. Questa tesi esplora l'integrazione di Edge Computing e Machine Learning per applicazioni nell dominio della sanità. Per fare ciò, prende in considerazione alcune delle ricerche precedenti condotte sull'argomento per comprendere i benefici, le sfide e le tendenze future attraverso una revisione sistematica della letteratura. Formulando nove domande di ricerca all'interno di quattro categorie, miriamo a esaminare gli studi selezionati in termini di frequenza e tipologia, sfide e limitazioni, motivazioni e principali contributi, strumenti, framework, tipi di dati, metodi di elaborazione e opportunità future.

Healthcare is undergoing a significant transformation, driven by rapid technological advancements. In recent years, it has become evident that artificial intelligence is boosting new opportunities in diagnosis and treatment as well as patient management. Among these components, edge computing is especially noteworthy, as it enables real-time analysis of data and rapid decision-making based on it, directly at the patient’s point of care. This thesis explores the integration of edge computing and machine learning in healthcare. To do this, it considers some of the previous research conducted on the topic to understand the benefits, challenges, and future trends through a systematic review of the literature. By formulating nine research questions within four categories, we aim to examine the selected studies in terms of frequency and type, challenges and limitations, motivations and major contributions, tools, frameworks, types of data, processing methods, and future opportunities.