Studio e sviluppo di un sistema di raccomandazione in ambito sanitario mediante tecniche di data mining = Study and development of a health recommender system by means of data mining techniques

Nel mondo di Internet, dove il numero di informazioni cresce in maniera vertiginosa, è necessario filtrare, dare priorità e rendere facilmente fruibili informazioni rilevanti in modo da guidare l'utente nella navigazione. I sistemi di raccomandazione risolvono questo problema generando contenuti personalizzati per gli utenti, tenendo conto delle loro preferenze, dei loro interessi e comportamenti. L’ambito in cui si è sviluppato il sistema di raccomandazione è un ambito sanitario in cui lo scopo è quello di offrire al paziente una lista di strutture di riabilitazione che rispettino i requisiti clinici necessari per la riabilitazione del paziente e che posseggano caratteristiche espresse dall’utente come preferenze. In questo ambito fondamentali sono i concetti di attendibilità e affidabilità, i potenziali rischi di un uso non consapevole di tali sistemi sono alti. Analizzate le categorie principali di sistemi di raccomandazione, valutando aspetti positivi e negativi, si è individuando il modello knowledge-based come modello da implementare. Tale sistema riceve come input dati eterogenei, che sono stati suddivisi in due categorie: input oggettivi e input soggettivi. Gli input oggettivi sono i parametri non opinabili da parte dell'utente, riguardano le cure cliniche di cui l'utente ha bisogno. Gli input soggettivi invece riguardano delle caratteristiche al contorno sulle quali l'utente può esprimere una preferenza: vincoli su caratteristiche secondarie della struttura, vincoli sulle modalità di raggiungimento della struttura, vincoli sul livello di valutazione che la struttura ha ricevuto. La raccomandazione generata dal sistema è una classifica di strutture con in cima la struttura che rispecchia maggiormente le desiderate dell'utente ed infondo la struttura che rispecchia meno le desiderate. Per integrare il risultato ottenuto dal sistema di raccomandazione particolare attenzione è stata data ai commenti testuali ispezionandone il contenuto tramite tecniche di text mining. Poiché i commenti testuali sono un tipo di dato non classificato e etichettato è stato necessario l’utilizzo di tecniche di unsupervised learning o apprendimento non supervisionato. Dopo una fase di preprocessing, si è individuata una rappresentazione vettoriale del testo e si è determinato lo spazio semantico di tale rappresentazione. Lo spazio semantico richiede la definizione di similarità tra i documenti in modo tale che documenti con significati simili sono più vicini tra loro e quelli diversi sono più distanti. Infine, vengono eseguite le seguenti analisi: il k-means clustering, che permette di raggruppare i documenti in cluster, e il topic modeling, che mira ad astrarre dai documenti temi fondamentali. Le tecniche di clustering sono di tipo deduttivo, mentre le tecniche di topic modeling sono di tipo induttivo.