Ingegneria Biomedica

Conoscenza e capacità di comprensione (knowledge and understanding)
Capire quali sono le informazioni necessarie per costruire un modello di un sistema biologico. Mettere in relazione i vari termini matematici di un modello con i fenomeni di interazione tra i componenti del sistema.
Capacità di applicare conoscenza e comprensione (applying knowledge and understanding)
Costruire un modello di un sistema biologico a partire dalla conoscenza dei componenti di base e dei fenomeni di interazione tra di essi. Studiare il comportamento del sistema mediante i metodi di analisi dei sistemi nonlineari (studio dei punti di equilibrio, stabilità, biforcazioni, sensitività).
Autonomia di giudizio (making judgement)
Comprendere che tipologia di modello utilizzare per un dato sistema, tenendo conto della scala e del dettaglio delle conoscenze sul sistema. Comprendere che tipo di analisi utilizzare per esaminare uno specifico comportamento del sistema.
Capacità di apprendimento (learning skills)
Apprendere a sviluppare e/o utilizzare modelli matematici di sistemi biologici, con i relativi metodi/software di analisi, come strumenti per supportare e velocizzare la ricerca biomedica di base e clinico-traslazionale.
Abilità comunicative (communication skills)
Esporre i risultati dell’analisi del comportamento di un sistema biologico, utilizzando opportuni strumenti software/grafici. Utilizzare formati descrittivi standard (ad es., SBML, SBGN), per la descrizione e la condivisione di modelli di sistemi biologici.

Introduzione alla Biologia dei Sistemi.
Modelli di popolazioni monospecie: modelli di Malthus e Verhulst; esempio di modello con termine di predazione; adimensionalizzazione; punti di equilibrio e stabilità; modelli con ritardo e ciclo limite; esempio di ottimizzazione del raccolto.
Modelli di popolazioni multispecie: modello preda-predatore di Lotka-Volterra, modello avanzato preda-predatore; studio dei p. di equilibrio e biforcazioni; modelli di competizione e di simbiosi.
Modelli epidemiologici: il modello SIR, il parametro R0 e i metodi di contenimento; cenni su modelli estesi.
Cinetiche di Reazione: cinetica enzimatica; modello di Michaelis-Menten; approssimazioni di pseudo-regime QSSA e tQSSA; modelli di reazioni enzimatiche cooperative, curve di Hill; autocatalisi; grafico di Lineweaver-Burke; Metodo di King-Altman; reazioni uni-uni e bi-bi; modelli di enzimi allosterici, Monod-Wyman-Changeux; modello di fosforilazione/defosforilazione di Goldbeter-Koshland; reazioni enzimatiche di inibizione; modelli fenomenologici.
Modelli basati su flussi: matrice stechiometrica; analisi dei flussi all’equilibrio; elementary flux modes; relazioni di conservazione; flux balance analysis ed esempi di applicazione.
Modelli di reti di segnalazione e regolazione: standard SBML, SBGN; database BioModels; introduzione al software COPASI; analisi del modello di “crosstalking tra i pathway Wnt ed ERK”; analisi parametrica dei modelli biologici; modelli di regolazione genica; multistabilità e regioni di attrazione dei punti di equilibrio; studio delle biforcazioni; introduzione al software MatCont; studio della regolazione della differenziazione di cellule ematopoietiche.
Identificazione di modelli biologici: regressione di modelli nonlineare; stima dei parametri e intervalli di confidenza.

Le modalità generali sono indicate nel regolamento didattico di Ateneo all’art.22 consultabile al link http://www.unicz.it/pdf/regolamento_didattico_ateneo_dr681.pdf
L’esame finale sarà svolto mediante una prova scritta, sotto forma di domande a risposta multipla e a risposta aperta, più una prova orale volta all’accertamento degli argomenti illustrati a lezione. Inoltre, è previsto lo svolgimento di un progetto individuale, da illustrare in sede di esame orale.
I criteri sulla base dei quali sarà giudicato lo studente sono:
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Importanti carenze.
Significative inaccuratezze
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi
Completamente inappropriato
18-20
A livello soglia. Imperfezioni evidenti
Capacità appena sufficienti
Appena appropriato
21-23
Conoscenza routinaria
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Ha notevoli capacità di a. e s.
Ha approfondito gli argomenti
30-30L
Conoscenza ottima
Ha notevoli capacità di a. e s.
Importanti approfondimenti

Libri di testo
Edda Klipp, Wolfram Liebermeister, Christoph Wierling, Axel Kowald. Systems Biology: A Textbook, Jun 2016, Wiley-Blackwell.
J.D. Murray, Mathematical Biology, 2002, Springer.
Ulteriori letture consigliate per approfondimento
Altro materiale didattico
Diapositive scaricabili dal sito e-learning

Conoscenza e capacità di comprensione (knowledge and understanding)
Conoscenza delle principali funzioni del sistema cardiocircolatorio e respiratorio.
Conoscenza dei principi di progettazione degli organi artificiali.
Conoscenza del funzionamento degli organi artificiali e dell’interazione con l’organismo umano.
Capacità di applicare conoscenza e comprensione (applying knowledge and understanding)
Capacità di definire le basi iniziali per la progettazione di un dispositivo biomedicale.
Capacità di utilizzare software per la simulazione e modellazione.
Capacità di impostare una simulazione di uno strumento/dispositivo
Autonomia di giudizio (making judgement)
Capacità di valutare il corretto funzionamento di un dispositivo e l’interazione con l’organismo

Il Sistema cardiocircolatorio: Funzioni e schema generale.
Regolazione della portata cardiaca: Modelli per lo studio della portata cardiaca, modello di Guyton e sua implementazione in Simulink
Sistemi di assistenza per il sistema cardiovascolare: Pompe per il sangue, modello matematico di una pompa pusher plate, Contropulsatore Aortico.
VAD (Ventricle Assist Device): Introduzione, Analisi dell’assistenza in serie ed parallelo, Funzionamento di un VAD apicale sincrono in fase ed in controfase, Algoritmi per il funzionamento di un VAD, realizzazione di un modello matematico di un VAD.
Il Cuore Artificiale: Introduzione al TAH, Studio di un ventricolo ad azionamento pneumatico, algoritmi per il funzionamento di un ventricolo pneumatico, Cuore artificiale ad azionamento elettromeccanico, Algoritmi di controllo per un cuore ad azionamento elettromeccanico.
Ossigenazione extracorporea: Principi di funzionamento, scambio di gas.
Modellazione agli elementi finiti: Teoria degli elementi finiti, software per la modellazione agli elementi finiti, esempi applicativi.
Attività progettuale: Simulazione della di dispositivi biomedicali attraverso software di modellazione.

Esame scritto ed orale e progetto di gruppo.
Capacità di risolvere esercizi numerici. Capacità di realizzare un progetto riguardante la modellazione di un dispositivo biomedicale
Capacità di esporre il progetto presentato attraverso una relazione tecnica ed una presentazione.
Voto finale in trentesimi
Il voto finale è una media data dalla valutazione del progetto, dalla prova scritta e della prova orale.
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Importanti carenze.
Significative inaccuratezze
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi
Completamente inappropriato
18-20
A livello soglia. Imperfezioni evidenti
Capacità appena sufficienti
Appena appropriato
21-23
Conoscenza routinaria
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Ha notevoli capacità di a. e s.
Ha approfondito gli argomenti
30-30L
Conoscenza ottima
Ha notevoli capacità di a. e s.
Importanti approfondimenti

Testi di riferimento:
Cardiovascular Mathematics - L. Formaggia et al. - Springer

Approfondimento degli insegnamenti di base dell’ingegneria. Lo studente dovrà poi raggiungere la maturità scientifica necessaria a sapere usare i metodi dell’ingegneria, della Fisica, della Matematica, della Biologia, per la comprensione, la caratterizzazione, l’analisi, e la progettazione di Biomateriali e Organi Artificiali. Alla fine del corso, lo studente avrà acquisito le conoscenze e le tecniche necessarie a comprendere in che modo i materiali interagiscono con le cellule e i tessuti biologici. Saprà usare quelle conoscenze e quelle tecniche per progettare i biomateriali per funzioni specifiche: (i) sistemi di rilascio di farmaci (drug delivery systems); (ii) sistemi di diagnosi e prognosi di patologie (sensing devices); (iii) supporti e scaffolds per l’ingegneria tissutale (biomaterials for tissue engineering applications). Lo studente, inoltre, alla fine del corso avrà maturato le competenze necessarie a comprendere come nuovi materiali, materiali ingegnerizzati alle nanoscale, e tecniche di analisi dati innovative, fra cui il deep learning, possono migliorare le prestazioni e la portata di sistemi biomedici convenzionali.

Le proprietà dei biomateriali. Materiali polimerici, metallici, ceramici, compositi, biologici.
Richiami di biomeccanica.
Legame a idrogeno. Altri tipi di legami e struttura dei solidi.
Le biomolecole: carboidrati, amminoacidi e proteine, acidi nucleici, lipidi.
Interazione cellula-superficie. Cellula. Struttura della cellula. Molecole di adesione cellulare (CAMs). CAMs come trasduttori di segnali chimici/meccanici/topografici. Organizzazione delle molecole di adesione cellulare: Focal adhesions and Focal complexes. Migrazione cellulare e forza di una cellula su una superficie.
I tessuti biologici: Matrice extracellulare, collagene, elastina, epitelio, tessuto connettivo, tessuto muscolare, tessuto nervoso, tessuto osseo.
Fabbricazione di materiali micro e nano strutturati. Tecniche di micro e nano fabbricazione. Approcci top-down e bottom-up. Litografia ottica, litografia elettronica. Focused Ion Beam (FIB). Tecniche di dry etching (RIE). Tecniche di wet etching. Self assembly: deposizione electroless.
Tecniche di funzionalizzazione. Legame oro-SH. Legame (-COOH) con diversi metalli ionici. Binding selettivo con molecole biologiche. Anticorpi. Polimeri ad impronta molecolare.
Caratterizzazione di biomateriali: Raggi X, spettrometria di massa, IR, angolo di contatto, Microscopio ottico. Microscopio a scansione elettronica (SEM). Microscopio confocale. Microscopio a forza atomica (AFM). Spettroscopie.
Progettazione e fabbricazione di Biosensori. Sistemi di diagnostica. Sensori fotonici. Sensori nano-strutturati.
Esempi di biomateriali: polimerici, metallici, ceramici, compositi, biologici, integrati.
Elementi di fenomeni di trasporto.
Modelli di adesione e migrazione cellulare.
Networks cellulari. Topologia di networks. Small world networks. Trasmissione di segnali in networks cellulari. Energia libera di networks cellulari. Equivalenza fra energia e informazione. Competizione fra forze attrattive e forze di migrazione cellulare: massima dimensione di un sistema di cellule.
In vitro tissue engineering. Tissue fabrication techniques. Bottom up tissue engineering. spheroids aggregation and printing ; cell sheet. Cell-laden. Micro tissue assembly.
Case studies (1). How nanotechnology can guide tissue formation and repair.
Case studies (2). Cell Theranostics on Mesoporous Silicon Substrates.

Le modalità generali sono indicate nel regolamento didattico di Ateneo all’art.22 consultabile al link http://www.unicz.it/pdf/regolamento_didattico_ateneo_dr681.pdf
L’esame finale sarà svolto in forma orale, durante il quale lo studente discuterà i risultati di una tesina assegnata dal docente durante il Corso.
I criteri sulla base dei quali sarà giudicato lo studente sono:
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Importanti carenze.
Significative inaccuratezze
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi
Completamente inappropriato
18-20
A livello soglia. Imperfezioni evidenti
Capacità appena sufficienti
Appena appropriato
21-23
Conoscenza routinaria
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Ha notevoli capacità di a. e s.
Ha approfondito gli argomenti
30-30L
Conoscenza ottima
Ha notevoli capacità di a. e s.
Importanti approfondimenti

Libri di testo
Carlo di Bello. Biomateriali.
Roland Glaser. Biophysics.
Mark Saltzman. Drug Delivery.
C. Fung. Biomechanics.
Agamemnon Despopoulos, Stefan Silbernagl. Color Atlas of Physiology.
(Nota per gli studenti: il corso di Biomateriali e Organi Artificiali non si resolve in un solo libro di testo: in quelli consigliati, sono presenti alcuni degli argomenti e degli esempi spiegati dal docente. Per i rimanenti, prego fare riferimento al materiale che il docente regolarmente caricherà sulla piattaforma di Ateneo E-Learning).
Ulteriori letture consigliate per approfondimento
Articoli che saranno consigliati dal docente durante il Corso.
Altro materiale didattico
Slides del Corso.

i. Conoscenza e capacità di comprensione (knowledge and understanding)
Il corso prevede che lo studente sia in grado di dimostrare conoscenze e capacità di comprensione nel campo della sensoristica e delle nanotecnologie, a partire dalle conoscenze di base acquisite precedentemente, applicandole attivamente ai nuovi argomenti introdotti
ii. Capacità di applicare conoscenza a comprensione (applying knowledge and understanding) Capacità di elaborare le conoscenze acquisite a lezione, per ideare, comprendere ed anche per risolvere problemi, sia inerenti alle nanotecnologie che, più ampiamente, all’ingegneria biomedica.
iii. Autonomia di giudizio (making judgement)
Integrare le conoscenze e formulare giudizi, in particolare sui prodotti delle nanotecnologie, in relazione alle conseguenze che ogni nano o microdispositivo così come ogni nanomateriale possa avere sulla società e sull’ambiente.
iv. Capacità di apprendimento (learning skills)
Avere la capacità di attingere autonomamente a fonti bibliografiche, anche in lingua inglese al fine di cercare nuove soluzioni o semplicemente di essere capaci di rimanere aggiornati nell'ambito delle nanotecnologie applicate alla ingegneria biomedica

Programma di Sensori Elettronici
o Concetti base dei sistemi di misura dei segnali biomedici e loro classificazione.
o Principi di trasduzione dei segnali- definizioni e classificazione. Caratterizzazione statica e dinamica di sensori.
Calibrazione di un sensore, Metodo dei minimi quadrati.
o Valutazione della pressione arteriosa: metodi indiretti e metodi diretti. Sensori estensimetrici. Metodi di misura
basati su Ponte di Wheatstone - Tecniche di linearizzazione. – Cateterismo.
o Misure statistiche e rappresentazione dei dati. Cenni di statistica descrittiva ed inferenziale. Rappresentazione
tabellare e grafica di dati. Misure di tendenza centrale e variabilità di una distribuzione. Performance di un sistema
diagnostico: Sensibilità e specificità.
o Sensori per la misura di flussi: Sensori piezoelettrici ed effetto Doppler – Sensori magnetici ed induzione –
Pletismografia ad Impedenza e modello di Swanson – Fotopletismografia.
o Richiami su Potenziali cellulari. Interfaccia elettrodo pelle – tipologie di sensori per acquisizione di biopotenziali –
Circuito elettrico equivalente. Interfacce elettronica di acquisizione: amplificatore Differenziale e per
strumentazione – Calcolo CMRR – Circuito a gamba destra. Interferenze e circuiti per la loro riduzione.
o Il Rumore nei Circuiti di acquisizione dei Sensori
o Sensori di temperatura: Caratteristiche ed interfacce elettroniche di condizionamento. Rilevatori resistivi di
temperatura, Termocoppie, Sensori di temperatura integrati e non a contatto.
o Sensori di radiazione luminosa: Fotomoltiplicatore a tubo ed Applicazioni. Spettroscopia.
o Sensori capacitivi: Caratteristiche e applicazioni.
o Sistemi di Misura di Potenziali Elettrici: L’oscilloscopio, caratteristiche di base e funzioni.
Programma di Nanotecnologie
Meccanica quantisitca
o Corpo nero ed energia di corpo nero
o Formula di Rayleigh-Jeans: “catastrofe dell'ultravioletto”
o Ipotesi di Planck e quantizzazione dell'energia
o Energia di corpo nero con ipotesi di Planck
o Legge di Stefan-Boltzmann con ipotesi di Planck
o Effetto fotoelettrico
o Energia e quntità di moto dei fotoni
o Orbite atomiche classiche e modello atomico di Bohr
o Dualismo onda-corpuscolo; ipotesi di De Broglie; esperimento di Davisson e Germer
o Equazione di Schroedinger
o Principio di indeterminazione di Heisenberg
o Oscillatore armonico quantistico
o Effetto tunnel
Nanoscienza e Nanotecnologia
o Approcci alla nanofabbricazione: top-down, bottom-up
o Tecniche litografiche
o Resist (contrasto e curva di risposta) e Spinning di Resist
o Esposizione con fascio elettronico (EBL) e effetto di prossimità
o Esposizione ottica (UV) e limite diffrattivo
o Esposizione con raggi X (XRL); “best resolution” con XRL
o Deposizione di materiali
o Rimozione di materiali: “wet-etching” e “dry-etching”
Plasmonica
o Gas di elettroni e oscillazioni di plasma: “plasmons”
o Funzione dielettrica del gas di elettroni
o Relazione di dispersione (,k) in un mezzo e relazione di dispersione per plasmoni di volume
o Plasmoni di superficie: “surface plasmon” (SP)
o Dalle equazioni di Maxwell alla relazione di dispersione per plasmoni di superficie (SP)
o Eccitazione di plasmoni di superficie (SP): Kretschmann, Otto e reticolo
o Surface Plasmon Resonance (SPR) e applicazioni biochimiche
o Plasmoni localizzati in nanostrutture: “localized surface plasmon resonance” (LSPR)
o Risonanza plasmonica in Nanoparticelle (NP) sferiche
o Dipendenza della “localized surface plasmon resonance” (LSPR) da parametri geometrici e materiali
o Biosensori basati su LSPR: “metal enhanced fluorescence” (MEF), LSPR e “dark field microscopy”, spettroscopia
Raman e “surface enhanced Raman spectroscopy” (SERS)
o Fabbricazione e misure di nanostrutture SERS
Nanoparticelle (NP)
o Tipologie di nanoparticelle (NP)
o Sintesi di nanoparticelle (NP)
o Funzionalizzazione biologica di nanoparticelle (NP)
o Applicazioni biomediche di NP: labelling, diagnostica, terapia, “drug delivery”, teranostica
o Esempi di applicazioni delle NP: “silicon NP” e “mesoporous Silica NP” per drug delivery, nanoparticelle per “Gene-
therapy”, NP magnetiche per “magnetic resonance imaging” (MRI)
Tecniche Microscopiche
o Microscopia ottica: lenti sottili, diffrazione di Airy, risoluzione ottica
o Microscopia di fluorescenza: propiretà spettrali di fluorofori, filtri e specchi dicroici
o Microscopia elettronica: lunghezza d'onda di elettroni, lenti elettromagnetiche
o Microscopia elettronica di trasmissione (TEM): contrasto dell'immagine, applicazioni biologiche
o Microscopia elettronica di scansione (SEM): elettroni sceondari e topografia
o Microscopia a forza atomica (AFM): modalità “contact”, “non-contact” e “tapping”
o Microscopia a effetto tunnel (STM): principio di funzionamento
o Relazione fra il vettore spostamento elettrico e la polarizzazione di un materiale dielettrico
Microfluidica
o Cenni al formalismo di Navier-Stokes
o Principi teorici di microfluidica
o Componenti microfluidici
o Tecnologie di fabbricazione di sistemi microfluidici
o Applicazioni di microfluidica
Trattamenti di superfici
o Cenni sull’atomo
o Legami chimici
o Metodi, accorgimenti di modificazione superficiale di materiali e applicazioni
o Modifica per reazione chimica
o Modifica per innesto con radiazione
o Modifica mediante processi impieganti il plasma
o Modifica per silanizzazione
o Modifica tramite metodo Langmuir-blodget
o Modifica tramite SAMs
o Additivi che modificano le superfici
o Tecniche di modifica tramite laser

Modalità di accertamento dei risultati di apprendimento: Prova orale
Criteri di valutazione dei risultati di apprendimento: adeguata esposizione del degli argomenti trattati durante il corso
Criteri di misurazione dei risultati di apprendimento: i risultati sono misurati con una votazione in trentesimi, da un minimo di 18 ad un massimo di 30 e lode.
Criteri di attribuzione del voto finale: Valutazione della conoscenza degli argomenti proposti e della capacità di utilizzarli in modo attivo e critico (come da tabella).
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Importanti carenze.
Significative inaccuratezze
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi
Completamente inappropriato
18-20
A livello soglia. Imperfezioni evidenti
Capacità appena sufficienti
Appena appropriato
21-23
Conoscenza routinaria
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Ha notevoli capacità di a. e s.
Ha approfondito gli argomenti
30-30L
Conoscenza ottima
Ha notevoli capacità di a. e s.
Importanti approfondimenti

• Jacob Fraden, Handbook of Modern Sensors: Physics, Designs, and Applications.
• S. Middelhook, S.A. Audet, Silicon Sensors.
• Nanotechnology: Principles and Practices, Sulabha K. Kulkarni (Springer)
• Microsystem Engineering of Lab‐on‐a‐Chip Devices. Editors(s):Dr. Oliver GeschkeHenning Klank PhD,Prof. Pieter Telleman, Wiley-VCH
• C.Di Bello. Biomateriali. Introduzione allo studio dei materiali per uso biomedico. Collana di Ingegneria Biomedica

Il corso ha lo scopo di fornire allo studente una formazione teorico-pratica in merito ai principi di biologia, biochimica e fisiopatologia che sottintendono lo sviluppo e la progressione delle malattie oncologiche.
Al termine del corso lo studente:

• conosce i meccanismi fisiologici e patologici, nonché le alterazioni molecolari e metaboliche, che causano lo sviluppo delle malattie oncologiche;
• conosce il fenotipo tumorale;
• conosce le strumentazioni biomediche e le metodiche di laboratorio applicate alla diagnosi, alla ricerca, al monitoraggio del decorso della malattia oncologica
• conosce i principi di base delle nuove strategie terapeutiche in ambito oncologico

Struttura e funzioni degli acidi nucleici: DNA ed RNA
Le mutazioni
Riparo del DNA e le sue alterazioni patologiche
Struttura e funzioni delle proteine. Gli Enzimi.
Regolazione dell’espressione genica e proteica
Principi di base delle reazioni immunochimiche
Tecnologie per l’analisi dell’espressione delle proteine intracellulari: Western Blot
Citofluorimetria e sue applicazioni: immunofenotipizzazione cellulare, analisi della mortalità cellulare, analisi del ciclo cellulare
Microscopia: microscopia ottica, microscopia elettronica, microscopia a fluorescenza, live imaging.
La cellula come origine di tutte le malattie: alterazioni dell’omeostasi cellulare
Meccanismi di danno, adattamento e morte cellulare
Neoplasie: generalità, classificazione, stadiazione e grado di differenziazione
Cancerogenesi chimica, fisica e virale
Oncogeni ed oncosoppressori
Tecnologie per lo studio di oncogeni e degli oncosoppressori: PCR end-point, Real-time PCR, Real-time PCR TaqMan
I caratteri distintivi della cellula tumorale: angiogenesi e metastasi, evasione della risposta immunitaria, ruolo del processo infiammatorio nella trasformazione neoplastica, alterazioni del metabolismo, interazioni con il microambiente tumorale.
Le basi biologiche della terapia anti-neoplastica
Chemioterapia, radioterapia, immunoterapia e terapia a bersaglio molecolare
Drug delivery: principi e applicazioni
La Biopsia Liquida: DNA Circolante e Cellule Tumorali Circolanti: metodi di isolamento e caratterizzazione (Cell Search System, DEPArray Technology, BEAMing and Safe-Seq)
Da Sanger al Sequenziamento di Quarta Generazione nella diagnostica e terapia oncologica
Le banche dati e le analisi bioinformatiche

Le modalità generali sono indicate nel regolamento didattico di Ateneo all’art.12 consultabile al link: http://web.unicz.it/admin/uploads/2020/07/regolamento-didattico-cdlm-ingegneria-biomedica.pdf
La prova di verifica del profitto prevede il superamento di prove in itinere e/o esame orale finale.
I criteri sulla base dei quali sarà giudicato lo studente sono:
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Importanti carenze.
Significative inaccuratezze
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi
Completamente inappropriato
18-20
A livello soglia. Imperfezioni evidenti
Capacità appena sufficienti
Appena appropriato
21-23
Conoscenza routinaria
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Ha notevoli capacità di a. e s.
Ha approfondito gli argomenti
30-30L
Conoscenza ottima
Ha notevoli capacità di a. e s.
Importanti approfondimenti

"Elementi di oncologia molecolare"- Pascale RM, Feo F -Edizioni Piccin
Metodologie Biochimiche e Biomolecolari- Mauro Maccarrone- Zanichelli
Diapositive e materiale di supporto

i. Conoscenza e capacità di comprensione (knowledge and understanding)
Conoscenza delle principali architetture di calcolo parallele e distribuite, dei principali modelli ed ambienti di programmazione parallela e distribuita;
Conoscenza delle principali metodologie per la progettazione e sviluppo di applicazioni parallele, distribuite e web-based;
Conoscenza delle principali tecniche di preprocessing dei dati e di analisi data mining
ii. Capacità di applicare conoscenza a comprensione (applying knowledge and understanding)
Capacità di effettuare l'analisi dei requisiti, la progettazione e l'implementazione di applicazioni parallele o distribuite web-based per l'analisi di grossi volumi di dati biomedici,
Capacità di valutare le principali prestazioni (speed-up e scale-up) delle applicazioni parallele o distribuite.
Capacità di condurre un esperimento di analisi dati comprendente preprocessing, scelta della tecnica di data mining (es. classificazione, clustering, regressione), valutazione della qualità dei risultati.
Capacità di utilizzo dei linguaggi/librerie/ambienti software per la progettazione e sviluppo di applicazioni parallele o distribuite o web/cloud-based (MPI,WebML).
Capacità di utilizzo dei linguaggi/ambienti software per l'analisi dati (Python, Weka).
iii. Autonomia di giudizio (making judgement)
Capacità di raccogliere e interpretare i dati rilevanti ai fini della progettazione di applicazioni parallele o distribuite o al fine di condurre di un esperimento di analisi dati;
Capacità di integrare le conoscenze di diverse tipologie di dati (es. dati omici) e di gestire la complessità di un esperimento di analisi dati che comprende vari passi.
Capacità di impostare un esperimento con dati incompleti.
iv. Capacità di apprendimento (learning skills)
Capacità di studiare in un modo ampiamente auto-gestito o autonomo.
Capacità di studiare e analizzare articoli scientifici nel settore informatico.
v. Abilità comunicative (communication skills)
Capacità di comunicare la progettazione di un sistema software o di un esperimento di analisi dati tramite la stesura di relazioni tecniche o la presentazione orale tramite slides

Introduzione al corso: Motivazioni e casi applicativi.
PARTE I: Calcolo Parallelo
Architetture parallele (Tassonomia di Flynn, Tassonomia estesa di Tanen baum)
Richiami di Sistemi Operativi (Processi, Scheduling dei processi, Multiprogrammazione, Comunicazione e Interazione tra processi)
Modelli di calcolo parallelo: ambiente globale (shared-memory) e ambiente locale (message-passing)
Cenni a Semafori e Monitor
Paradigmi a memoria condivisa: OpenMP
Paradigmi a scambio messaggi: MPI
Data Parallelism e Task Parallelism
Thread: Programmazione Multithreaded in Java
Metriche ed indici per la valutazione delle prestazioni (legge di Amhdal, speed-up, scale-up)
PARTE II: Cloud Computing
Introduzione al Cloud Computing
Virtualizzazione
La Definizione NIST (National Institute of Standards and Technology) di Cloud Computing:
Caratteristiche: on demand self service, broad network access, resource pooling, rapid elasticity, measured services
Modelli di Cloud Computing: Infrastructure as a Service (IaaS), Platform as a Service (PaaS), Software as a Service (SaaS)
Tipi di Cloud: Public Cloud, Private Cloud, Community Cloud, Hybrid Cloud
Principali Piattaforme Cloud Industriali: Amazon Web Services, Google AppEngine, Microsoft Azure
Principali Piattaforme Cloud Open Source: OpenNebula, Eucapyptus
Sviluppo di applicazioni Cloud su Google AppEngine
PARTE III: Analisi e progettazione di applicazioni web-based
Richiami ad Internet, World Wide Web, protocollo HTTP
Evoluzione Web: distribuzione di contenuti vs erogazione di applicazioni
Architettura multi-tier delle applicazioni Web-based
° Elaborazione lato client: Client-side scripting & programming (JavaScript, Java Applet)
° Elaborazione lato server: Server-side scripting and programming (JSP, Java Servlets)
° Accesso ai dati: Data access layer (JDBC)
Analisi e progettazione delle applicazioni Web
° Analisi dei requisiti, Specifica, Progettazione, Realizzazione e rilascio, Verifica e manutenzione
° Uso del linguaggio di specifica WebML: modellazione dei dati, dell'ipertesto, della navigazione
° Uso dello strumento WebRatio per la progettazione e sviluppo di applicazioni web-based
PARTE IV: Data Mining
Preprocessing dei dati in biologia e medicina (data cleaning, data reduction, normalization, data transformation, distribuzione statistica dei dati)
Esempi di analisi data mining di dataset in biologia e medicina
Principali misure di qualità nella classificazione (accuratezza, precisione)
Valutazione di un esperimento di classificazione (10-fold cross validation, leave-1-out)

L'esame finale sarà svolto attraverso: (1) l'elaborato di un progetto individuale o di gruppo, (2) l'approfondimento di un argomento inerente il corso; (3) una prova orale.
1. Il progetto comprenderà l'analisi dei requisiti, la progettazione e lo sviluppo di un'applicazione parallela o distribuita o web-based, eventualmente usando metodologie e ambienti di progettazione software assistita da computer (es. WebML e WebRatio). In alternativa, il progetto comprenderà la realizzazione di un esperimento completo di analisi dati (preprocessing, feature selection, data mining, valutazione qualità dell'analisi, visualizzazione dei risultati) a partire da un dataset fornito dal docente e utilizzando piattaforme open source di analisi data. Il progetto dovrà contenere il codice realizzato, una relazione tecnica ed una presentazione che verrà presentata dallo studente durante la prova orale.
2. L'approfondimento consisterà nella stesura di una relazione tecnica individuale riguardante l'approfondimento di uno dei temi svolti a lezione.
3. La prova orale verterà sul programma svolto a lezione.
Voto finale in trentesimi
Il voto finale è una media ponderata dalla valutazione del progetto (40%), della tesina (30%) e della prova orale (30%)
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Importanti carenze.
Significative inaccuratezze
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi
Completamente inappropriato
18-20
A livello soglia. Imperfezioni evidenti
Capacità appena sufficienti
Appena appropriato
21-23
Conoscenza routinaria
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Ha notevoli capacità di a. e s.
Ha approfondito gli argomenti
30-30L
Conoscenza ottima
Ha notevoli capacità di a. e s.
Importanti approfondimenti

Testi di Riferimento
PARTE I
° A. Grama, A Gupta, G. Karypis, V. Kumar. Introduction to Parallel Computing, Addison-Wesley, 2003
° Bruce Eckel - Thinking in JAVA, 4th Edition, Prentice Hall, Capitolo Concurrency sui thread.
Scaricabile qui: https://ia800103.us.archive.org/20/items/TIJ4CcR1/TIJ4-cc-R1.pdf
° I. Foster. Designing and Building Parallel Programs. Addison-Wesley, 1995, Versione online
disponibile qui: http://www.mcs.anl.gov/dbpp.
PARTE II
Christian Baun, Marcel Kunze, Jens Nimis, Stefan Tai. Cloud Computing. Web-Based Dynamic IT Services, Springer Science & Business Media, 2011. ISBN 978-3-642-20916-1 http://www.springer.com/gp/book/9783642209161
Rajkumar Buyya, Christian Vecchiola, S. Thamarai Selvi: Mastering Cloud Computing - Foundations and Applications Programming. Morgan Kaufmann, 468 Pages, May 2013, ISBN: 978-0-12-411454-8. http://www.buyya.com/MasteringClouds/
PARTE III
Stefano Ceri, Piero Fraternali, Aldo Bongio, Marco Brambilla, Sara Comai, Maristella Matera, Progettazione di dati e applicazioni per il web, McGraw Hill, 2003, ISBN: 8838661389 http://www.ateneonline.it/LibroAteneo.asp?item_id=1588
WebML: www.webml.org
WebRatio: www.webratio.com
Core Web Programming: http://www.corewebprogramming.com/
PARTE IV
Ian H. Witten, Eibe Frank, Mark A. Hall. Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann Series in Data Management Systems.

Conoscenza della strumentazione hardware e software per la pianificazione e la guida chirurgica
Conoscenza delle principali modalità di acquisizione di immagini mediche in room
Conoscenza di un linguaggio di programmazione per elaborazione di immagini
Capacità di calibrare la strumentazione
Capacità di sviluppare algoritmi per l’analisi quantitativa delle immagini e virtualizzazione dell’intervento chirurgico
Capacità nella scelta della strumentazione per la pianificazione e la guida chirurgica in base al tipo di intervento e sito anatomico
Scelta della metodica computazionale più efficiente e più efficace in base al problema clinico da risolvere

Introduzione ai sistemi CAS/CIS
Pre-trattamento delle immagini
Sistemi di imaging in room
Segmentazione
Ricostruzione di superfici e volumi
Registrazione di immagini
Tecniche base di machine learning
Surgical data science
Sistemi di localizzazione chirurgica
Applicazioni pratiche in ambito clinico

Le modalità generali sono indicate nel regolamento didattico di Ateneo all’art.22 consultabile al link http://www.unicz.it/pdf/regolamento_didattico_ateneo_dr681.pdf
L’esame finale sarà svolto in forma scritto e orale con progetto di gruppo
I criteri sulla base dei quali sarà giudicato lo studente sono:
La prova scritta prevede 16 domande a risposta chiusa con motivazione della scelta e 5 domande a risposta aperta.
La prova orale prevede la discussione del progetto e 3 domande su argomenti trattati a lezione. La valutazione della prova orale sarà effettuata secondo i criteri riportati in tabella:
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Importanti carenze.
Significative inaccuratezze
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi
Completamente inappropriato
18-20
A livello soglia. Imperfezionievidenti
Capacità appena sufficienti
Appena appropriato
21-23
Conoscenza routinaria
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Ha notevoli capacità di a. e s.
Ha approfondito gli argomenti
30-30L
Conoscenza ottima
Ha notevoli capacità di a. e s.
Importanti approfondimenti
Il voto finale sarà dato dalla media aritmetica della votazione conseguita alla scritto, al progetto ed all’orale.

Diapositive redatte dal docente
Notebook per programmazione in python
Articoli scientifici

Il corso ha tre obiettivi principali: introdurre i principi della Scienza delle Reti, con tecniche di analisi e modelli per studiare le dinamiche su reti complesse; fornire strumenti computazionali per l’analisi di dati rappresentabili come grafi e dei processi dinamici che li caratterizzano; presentare i fondamenti della visualizzazione delle informazioni, con attenzione alla rappresentazione e all’analisi visuale di dati complessi in biologia e medicina.

Reti Complesse e "Analisi di rete" Introduzione alle reti complesse Ripasso su teoria dei grafi Legami forti e deboli Omofilia Analisi di reti complesse con Python Centralità, Robustezza, Partizionamento di Grafi Modelli di rete, Grafi Casuali, Reti Small World Modelli a collegamento preferenziale Comunità Reti con segno Reti dirette e pesate La struttura del Web Analisi dei collegamenti, ricerca sul Web Cascate di Informazioni Comportamento a cascata in reti Effetti di rete Leggi di potenza e fenomeni Rich-Get-Richer Piccoli mondi e ricerca Epidemie e diffusione di epidemie in reti eterogenee Introduzione ai grafi temporali e agli ipergrafi Graph Representation Learning (embedding di nodi, reti neurali a grafo, modelli generativi di grafi) Visualizzazione dell'informazione Grafici e plot di base, visualizzazione di dati multivariati Principi di percezione, colore, progettazione e valutazione Visualizzazione testuale Interattività e animazione Visualizzazione di dati temporali Visualizzazione di dati geospaziali Visualizzazione di dati gerarchici Visualizzazione di dati di rete

L’esame prevede due progetti (data visualization e analisi di reti, rispettivamente 30% e 20%) e una prova orale (50%). Ogni parte è valutata in trentesimi e superata con almeno 18/30; il voto finale è la media pesata delle tre prove

Titolo: A First Course in Network Science Anno pubblicazione: 2021 Editore: Cambridge University Press Autore: Filippo Menczer, Santo Fortunato , and Clayton A. Davis ISBN 9781108471138 Obbligatorio: Si

i. Conoscenza e capacità di comprensione (knowledge and understanding)
o Conoscenza e capacità di analisi dei principi di funzionamento e progettazione e degli aspetti di gestione delle principali tecnologie diagnostiche e terapeutiche utilizzate nella pratica clinica, con particolare enfasi sulle tecnologie robotiche, biomeccatroniche e dispositivi elettromedicali e sul ruolo e l'utilizzo di microcontrollori in contesto clinico.
o Conoscenza delle problematiche connesse ad un sistema di rilevamento dati in real time in ambiente clinico, nonché le strategie per una corretta acquisizione ed elaborazione di segnali provenienti da un sistema in real time in ambiente clinico.
o Conoscenza dei principio di funzionamento e capacità di analisi e progettuali relative allo sviluppo degli strumenti sia hardware che software per la verifica e la taratura dei dispositivi medici.
ii. Capacità di applicare conoscenza a comprensione (applying knowledge and understanding)
o capacità di scegliere e dimensionare i componenti robotici, biomeccatronici e dispositivi elettromedicali più adatti in funzione dell'applicazione biomedicale di interesse.
o capacità di misurare e analizzare le prestazioni di sistemi robotici, biomeccatronici e dispositivi elettromedicali.
o Capacità applicative inerenti alla verifica e alla taratura di dispositivi elettromedicali.
o Capacità di sviluppo ed implementazione su sistema embedded basato su microcontrollore di sistemi di acquisizione digitale ed elaborazione di biosegnali.
iii. Autonomia di giudizio (making judgement)
La capacità di formazione di un giudizio autonomo da parte degli allievi viene sviluppata attraverso una trattazione organica e non meramente nozionistica dei contenuti della disciplina, permettendo agli allievi la creazione di una visione allargata delle diverse problematiche della robotica e strumentazione biomedica e dei loro collegamenti, idonea a sviluppare sia le capacità di formazione di un giudizio autonomo, sia le capacità di problem solving più utili nelle applicazioni generali dell'ingegneria biomedica. Durante il corso, l'autonomia di giudizio viene maturata esercitando sia le capacità di analisi dei diversi aspetti dei principali problemi relativi alla modellistica e simulazione di dispositivi robotici e biomeccatronici, nonché di strumentazione elettromedicale, sia attraverso lo sviluppo di soluzioni progettuali a partire da casi di studio assegnati.
iv. Abilità comunicative (communication skills)
Gli studenti verranno invitati a predisporre attività di report dei risultati delle esercitazioni e delle prove di laboratorio.
v. Capacità di apprendimento (learning skills)
Durante tutto il corso e in previsione della prova finale, sono previste, oltre alle esercitazioni svolte dal docente, attività di esercitazione guidata e non per fornire agli allievvi opportunità di autovalutazione, anche attraverso l’interazione con il docente. Attraverso gli stimoli didattici programmati, lo studente ha la possibilità di accrescere e misurare la sua capacità autonoma di apprendere in occasione di attività di raccolta dati, ricerca bibliografica, concettualizzazione fisica e modellistica matematica relative alla verifica sperimentale di un’ipotesi o alla validazione di un progetto nelle condizioni operative reali o simulate.

Modulo di Robotica
o Introduzione alla biorobotica, robotica medica e strumentazione biomedica
o Cinematica diretta e inversa o Meccanica muscolare e controllo motorio umano o Pianificazione delle traiettorie
o Dinamica multigiunto o Impedenza nello spazio dei giunti e nello spazio cartesiano
o Strategie di controllo del moto di manipolatori
Modulo di Strumentazione
o Misure e caratteristiche di un sistema di misura
o stadi di preamplificazione per strumentazione biomedica
o condizionamento di segnali biomedici o conversione analogico/digitale e digitale analogica
o sistemi acquisizione digitale e controllo embedded, microcontrollori
o Esempi pratici di progettazione e implementazione su dispositivi embedded con particolare enfasi alle applicazioni di body motion capture e analisi della frequenza cardiaca

• Dispositivo per la misurazione della temperatura
• Elettrocardiografo
• Eletromiografo
• Pulsossimetro
• Dispositivo per il rilevamento ciclo respiratorio
• Monitor per terapia intensiva
  o Principi di funzionamento dell'oscilloscopio e del generatore di funzioni per verifiche e tarature di strumentazione
  o Strumentazione biomedica avanzata

Le modalità generali sono indicate nel regolamento didattico di Ateneo all’art.22 consultabile al link http://www.unicz.it/pdf/regolamento_didattico_ateneo_dr681.pdf La valutazione dell'apprendimento verrà effettuata attraverso una prova scritta, consistente nella risoluzioni di tre di quesiti numerici e un quesito teorico relativi al modulo di Robotica, mentre la valutazione del modulo di Strumentazione si baserà su un test di 10 domande a risposta multipla per le quali è richiesta anche una motivazione in calce. Ogni domanda a risposta multipla vale massimo 3 punti (a seconda della correttezza e della completezza della motivazione fornita). L'orale è obbligatorio per votazioni comprese tra 18-21 e 27-30 e lode.
Correttezza e completezza nello svolgimento della prova scritta; coerenza logico-formale, correttezza e livello di approfondimento degli argomenti esposti e capacità di problem solving dimostrati nell’ eventuale prova orale.
Il voto finale, utile al superamento dell’esame, è ottenuto dalla media aritmetica arrotondata all'intero superiore dei voti in trentesimi assegnati alla prova scritta e all’eventuale prova orale, a condizione che gli esiti conseguiti nelle singole prove siano tutti sufficienti. Il voto della prova scritta è ottenuto dalla media aritmetica arrotondata all'intero superiore dei voti in trentesimi assegnati alle prove relative ai singoli moduli. L'orale è obbligatorio per votazioni comprese tra 18-21 e 27-30 e lode. Il voto della prova orale viene assegnato sulla base della griglia di valutazione di seguito riportata.
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Carenze importanti
Scarse capacità di analisi critica e sintesi. Frequenti generalizzazioni.
Carente
18-20
Sufficiente.
Capacità di analisi e sintesi appena sufficienti
Sufficientemente appropriato
21-23
Conoscenza routinaria
Buona capacità di analisi e sintesi. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Buone capacità di analisi e sintesi. Esposizione degli argomenti chiara e coerente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Notevoli capacità di analisi e sintesi.
Approfondita
30-30L
Conoscenza ottima
Notevoli capacità di analisi e sintesi. Espone gli argomenti in modo critico
Molto approfondita

i. Testi di riferimento: - Lorenzo Sciavicco, Bruno Siciliano, Luigi Villani, Giuseppe Oriolo. Robotica: modellistica, pianificazione e controllo di manipolatori. Terza edizione. McGraw-Hill, 2008. - Etienne Burdet, David W. Franklin, Theodore E. Milner, Human robotics: Neuromechanics and Motor Control, MIT Press, 2013. - Joseph Bronzino, Donald R. Paterson. The Biomedical Engineering Handbook, quarta edizione, CRC Press, 2015.
ii. Altro materiale didattico (dispense, diapositive online, altri riferimenti di approfondimento, etc.): - Diapositive del corso - Appunti delle lezioni - Data-sheet, riferimenti normative tecniche e componenti/dispositivi elettromedicali

Conoscenza e capacità di comprensione: Acquisire una solida base teorica e tecnica riguardante (i) le architetture avanzate dei sistemi di basi di dati, con particolare focus sui sistemi distribuiti e multi-utente, (ii) i modelli di dati non relazionali (NoSQL), inclusi i dati spaziali e geografici, necessari per gestire informazioni cliniche complesse, (iii) il funzionamento delle infrastrutture cloud e web-based per l'archiviazione e il recupero dei dati in ambito sanitario, (iv) i fondamenti dei sistemi sanitari internazionali, comprendendo le differenze strutturali, economiche e normative tra i modelli europei e il modello americano, (v) gli standard di interoperabilità e le normative che regolano i Sistemi Informativi Sanitari.
Capacità di apprendimento: Il corso fornisce gli strumenti metodologici necessari per (i) rimanere aggiornati sull'evoluzione continua delle tecnologie e delle architetture delle basi di dati e dei sistemi informativi, (i) approfondire in autonomia le nuove normative e gli standard emergenti nel settore dell'e-health e della sanità digitale, (iii) integrare conoscenze trasversali, dall'ingegneria dei dati alla gestione del management sanitario, facilitando l'inserimento in team multidisciplinari (tecnici, clinici e amministrativi).
Capacità di applicare conoscenza a comprensione: Al termine del corso, lo studente sarà in grado di (i) progettare e interrogare database complessi utilizzando costrutti SQL avanzati, gestendo transazioni e integrando l'accesso ai dati tramite linguaggi di programmazione, (ii) implementare soluzioni per l'ottimizzazione delle query in ambienti distribuiti per garantire l'efficienza dei servizi sanitari, (iii) utilizzare strumenti tecnologici per la gestione di dati clinici, assicurando la corretta esecuzione dei processi informativi in contesti reali, (iv) applicare metodologie di valutazione delle performance dei sistemi sanitari, identificando soluzioni tecnologiche per affrontare le sfide organizzative e favorire l'innovazione dei servizi.
Autonomia di giudizio: Lo studente svilupperà la capacità di (i) valutare criticamente quale architettura di database sia più idonea a uno specifico contesto clinico, (ii) analizzare e confrontare l'efficacia dei diversi modelli organizzativi sanitari, riconoscendo i punti di forza e le criticità legati al finanziamento e all'accesso alle cure, (iii) assumere decisioni informate riguardo alla sicurezza e alla conformità normativa (standard sanitari) nella gestione di dati sensibili, (iv) identificare autonomamente le strategie di ottimizzazione più efficaci per sistemi informativi operanti in ambienti multi-utente ad alto carico.

PROGRAMMA DEL CORSO
I sistemi sanitari:
Concetto di salute e sanità;
Rappresentazione e valutazione dei sistemi sanitari;
I sistemi sanitari in Europa e negli USA;
Il sistema sanitario italiano;
Normative e standard in sanità;
Sistemi informativi sanitari.
Basi di dati avanzate:
Richiami di db
Diagrammi UML
Architettura di un sistema di gestione di dati;
Query Engine, ottimizzazione di accesso alle risorse, e meccanismi di indicizzazione;
Gestione della memoria permanente e dei buffer;
Organizzazioni delle basi di dati in memoria permanente;
Affidabilità e robustezza nei sistemi informativi.
Basi di dati distribuite:
Progettazione fisica di un query engine e degli operatori relazionali;
Sistemi informativi complessi: basi di dati NOSQL e relativi casi applicativi;
basi di dati geografiche.
Architettura di sistemi informativi sanitari:
Gestione dei dati in ambito medico, clinico e sanitario;
Sistemi di analisi e olap (cenni).
Richiami di UML per la progettazione di sistemi complessi per le basi di dati.
Sviluppo progettuale:
Descrizione, specifiche di progetto, casi d’uso e diagrammi uml;
Sviluppo db E realizzazione GUI

Le modalità generali sono indicate nel regolamento didattico di Ateneo. La valutazione dell'apprendimento verrà effettuata attraverso una prova scritta, l’implementazione e la presentazione di un elaborato progettuale e un’eventuale prova orale. Il voto finale, utile al superamento dell’esame, è ottenuto dalla media aritmetica arrotondata all'intero superiore dei voti in trentesimi assegnati alla prova scritta, all’elaborato progettuale e all’eventuale prova orale.

Testi di riferimento: Basi di Dati (modelli e linguaggi di Interrogazioni), Paolo Atzeni, Stefano Ceri, Stefano Paraboschi, Riccardo Torlone, Mc Graw Hill; Sanità e salute: due storie diverse. Sistemi sanitari e salute nei paesi industrializzati, Marcello Crivellini, Manuela Galli. FrancoAngeli.
Altro materiale didattico: Materiale fornito a lezione e prodotto sulla piattaforma elearning dell’ateneo

Conoscenza e capacità di comprensione (knowledge and understanding)
conoscenza delle principali metodologie per la modellistica matematica di sistemi elettrici, meccanici, termici, fluidici e chimici, sviluppate tramite l’equivalente elettrico
conoscenza della fisiologia dei principali organi presenti nel corpo umano
conoscenza delle tecniche di modellistica e simulazione di sistemi nonlineari a tempo-continuo tramite SimulinkTM
Capacità di applicare conoscenza a comprensione (applying knowledge and understanding)
capacità di utilizzare le metodologie di modellistica matematica e della fisiologia umana per derivare il modello matematico dei principali sistemi fisiologici del corpo umano (sistema circolatorio, respiratorio, muscolare, etc.)
capacità di utilizzare le conoscenze di teoria del controllo per analizzare il comportamento dei suddetti sistemi fisiologici
capacità di utilizzare SimulinkTM per simulare il comportamento di sistemi fisiologici nonlineari
Autonomia di giudizio (making judgement)
Durante il corso, l'autonomia di giudizio viene maturata dagli allievi stimolando le capacità di analisi dei diversi aspetti relativi ai principali problemi di modellistica dei sistemi fisiologici
Abilità comunicative (communication skills)
Gli allievi sono sollecitati a partecipare attivamente alle lezioni con quesiti posti di volta in volta dal docente.
Capacità di apprendimento (learning skills)
Durante tutto il corso e in previsione della prova finale, sono previste esercitazioni numeriche (guidate e non) concepite come occasioni di autovalutazione e autoaccrescimento del background degli allievi, anche attraverso l’interazione con il docente. Attraverso gli stimoli formativi programmati, lo studente ha la possibilità di misurare ed aumentare la sua capacità autonoma di apprendere in occasione di attività connesse allo svolgimento delle esercitazioni e relative, ad esempio, alla raccolta dati, ricerca bibliografica, concettualizzazione nel quadro dei contenuti del corso.

Contenuti del corso:
Modellistica matematica di varie tipologie di sistemi attraverso l’analogia elettrica.
Analisi statica dei sistemi fisiologici
Analisi dinamica dei sistemi fisiologici nel dominio del tempo
Analisi dinamica dei sistemi fisiologici nel dominio della frequenza
Analisi di stabilità dei sistemi di controllo fisiologici

la valutazione dell'apprendimento verrà effettuata attraverso una prova scritta, consistente nella risoluzione di quesiti teorici e numerici, e una prova orale.
Correttezza e completezza nello svolgimento della prova scritta; coerenza logico-formale, correttezza e livello di approfondimento degli argomenti esposti e capacità di problem solving dimostrati durante la prova orale.
Conoscenza e comprensione argomento
Capacità di analisi e sintesi
Utilizzo di referenze
Non idoneo
Importanti carenze.
Significative inaccuratezze
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi
Completamente inappropriato
18-20
A livello soglia. Imperfezioni evidenti
Capacità appena sufficienti
Appena appropriato
21-23
Conoscenza routinaria
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente
Utilizza le referenze standard
24-26
Conoscenza buona
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente
Utilizza le referenze standard
27-29
Conoscenza più che buona
Ha notevoli capacità di a. e s.
Ha approfondito gli argomenti
30-30L
Conoscenza ottima
Ha notevoli capacità di a. e s.
Importanti approfondimenti

Appunti e lucidi delle lezioni
Physiological Control Systems: Analysis, Simulation, and Estimation, M. C. K. Khoo, IEEE Press