Predizione del rischio di malattie lavoro-correlate attraverso analisi di clustering e ottimizzazione genetica

The study of this research deals with the health risk prediction problem in workplaces through computational intelligence techniques. The available dataset has been collected from the Italian Local Health Authority (ASL) as part of the Surveillance National System. The main aim of this work is the design of a software application that can be used by occupational physicians in monitoring workers, performing a risk assessment of contracting some particular occupational diseases. The proposed algorithms, based on clustering techniques, includes a genetic optimization in order to automatically determine the weights of the adopted distance measure between patterns and the number of clusters for the final classifier’s synthesis. In particular, we propose a novel approach, consisting in defining the overall classifier as an ensemble of class-specific ones, each trained to recognize patterns of risk conditions characterizing a single pathology. First results are encouraging and suggest interesting research tasks for further system development.

Il lavoro di questa tesi è stato condotto attraverso le tecniche di intelligenza computazionale per uno studio sulla predizione dei rischi per la salute nei posti di lavoro. Il dataset disponibile è stato popolato da parte delle Aziende Sanitarie Locali (ASL) nell’ambito di un programma per la realizzazione del Sistema Nazionale di Sorveglianza per le malattie professionali e gli infortuni mortali. Lo scopo principale di questo lavoro è la progettazione di un’applicazione software capace di evidenziare situazioni di maggior criticità per la manifestazione di Malattie Professionali che possa essere usata agevolmente da parte dei medici del lavoro come strumento di supporto nella loro attività di prevenzione e sorveglianza della salute dei lavoratori. Gli algoritmi proposti, utilizzano tecniche di clustering e l’ottimizzazione genetica per determinare in maniera automatica sia i pesi delle caratteristiche prese in considerazione nel calcolo della distanza interindividuale che il numero di cluster per la sintesi del classificatore finale. In particolare, si propone un nuovo approccio che consiste nel definire il classificatore generale come un insieme di classificatori specifici per ciascuna classe di patologia, ciascuno addestrato a riconoscere le condizioni di rischio che caratterizzano una singola patologia. I primi risultati sono incoraggianti e suggeriscono interessanti temi di ricerca per un ulteriore sviluppo del sistema.