,, Ministero dell' Istruzione, dell' Università e della Ricerca

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download ",, Ministero dell' Istruzione, dell' Università e della Ricerca"

Transcript

1 ,, Ministero dell' Istruzione, dell' Università e della Ricerca Dipartimento per l'università, l'alta Formazione Artistica, Musicale e Coreutica e per la Ricerca Direzione Generale per il Coordinamento e lo Sviluppo della Ricerca PROGRAMMI DI RICERCA SCIENTIFICA DI RILEVANTE INTERESSE NAZIONALE RICHIESTA DI COFINANZIAMENTO (D.M. 1152/ric del 27/12/2011) PROGETTO DI UNA UNITÀ DI RICERCA - MODELLO B Anno prot. 2010J3HN72_ Area Scientifico-disciplinare 01: Scienze matematiche e informatiche 90% * 09: Ingegneria industriale e dell'informazione 10% * Area prescelta ai fini della valutazione 2 - Coordinatore Scientifico TERENZIANI PAOLO Professore Ordinario Università degli Studi del PIEMONTE ORIENTALE "Amedeo Avogadro"-Vercelli Facoltà di SCIENZE MATEMATICHE FISICHE e NATURALI Dipartimento di INFORMATICA 3 - Responsabile dell'unità di Ricerca LAMMA (Cognome) Professore Ordinario (Qualifica) EVELINA (Nome) 06/03/1960 (Data di nascita) LMMVLN60C46A944P (Codice fiscale) Università degli Studi di FERRARA (Università/Ente) Dipartimento di INGEGNERIA (Dipartimento) (telefono) (fax) ( ) 4 - Curriculum scientifico Testo italiano Evelina Lamma è laureata in Ingegneria Elettronica nel 1985 e ha conseguito il titolo di Dottore di Ricerca in Ingegneria Elettronica e Informatica nel Dal 1992 al 2000 è stata in ruolo come Professore di II fascia, prima presso l'università di Udine e poi presso l'università di Bologna. Dal 2000 è in servizio come Professore di I fascia presso la Facoltà di Ingegneria dell'università di Ferrara (UNIFE), dove tiene il corso Fondamenti di Informatica e di Fondamenti di Intelligenza Artificiale. Durante il triennio stata coordinatore del Dottorato in Scienze dell'ingegneria presso il Dipartimento di Ingegneria dell'università di Ferrara. Dal Novembre 2007 è Presidente del Consiglio Unificato dei tre corsi di laurea triennale e magistrali del settore dell'ingegneria dell'informazione della Facoltà di Ingegneria. La sua attività di ricerca ha riguardato e riguarda: - Logica computazionale e linguaggi logici, anche per specifica e verifica di sistemi e servizi - Intelligenza Artificiale - Ragionamento Automatico - Rappresentazione della Conoscenza - Apprendimento Automatico Ha tenuto tutorial in ambito nazionale (IV e V Convegno Nazionale sulla Programmazione Logica, 1989 e 1990; IV Congresso dell'associazione Italiana per l'intelligenza Artificiale AI*IA95) e internazionale (11th International Conference on Logic Programming ICLP94). Ha esperienze di organizzazione di workshop e congressi (come chair, 3rd Workshop on Extensions of Logic Programming, VI Congresso dell'associazione Italiana per l'intelligenza Artificiale AI*IA99; come organizzatore 8th European Conference on Object-Oriented Programming ECOOP94). Ha fatto parte di comitati scientifici di workshop e congressi nazionali e internazionali. E' stata membro del Direttivo dell'associazione Italiana per l'intelligenza Artificiale e revisiore dei conti. E' attualmente membro dell'executive Committee della Association for Logic Programming (ALP). Ha partecipato a numerosi progetti di ricerca, nazionali e internazionali, come responsabile dell'unità presso UNIFE, tra cui: - IST (SOCS) finanziato dalla UE Global Computing Action, su strumenti di logica computazionale per specifica e verifica di società aperte di enti computazionali (computees); - COFIN 2003 "La Gestione e la negoziazione automatica dei diritti sulle opere dell'ingegno digitali: aspetti giuridici e informatici", finanziato dal MIUR;

2 - PRIN 2005 "Specifica e verifica di protocolli di interazione fra agenti", finanziato dal MIUR. Ha numerose esperienze nello sviluppo di sistemi knowledge-based di supporto alle decisioni e applicazione di tecniche di data mining, anche in progetti di trasferimento tecnologico nazionali e regionali. Con riferimento all'ambito medico e sanitario, ha partecipato alla progettazione e realizzazione di alcuni sistemi basati su conoscenza nel dominio della validazione di dati clinici e di laboratorio (in particolare, esami tipici di laboratori biochimici e microbiologici). Tra questi, in collaborazione con Paola Mello di UNIBO: - il sistema knowledge-based DNSev (commercializzato da DIANOEMA S.p.a., ora Noemalife S.p.a.) che formalizza e applica in modo automatico regole di validazione di esami biochimici, nell'ambito di un progetto di trasferimento tecnologico finanziato da MIUR; - il sistema TDMIN, che applica Data Mining al settore della microbiologia per scoprire regole di sorveglianza da utilizzare per la prevenzione di infezioni nosocomiali (in collaborazione con BMG s.r.l, Bologna, in un progetto PRRIITT2003 finanziato da Regione Emilia Romagna). Relativamente al sistema TDMIN, il prodotto della ricerca che Evelina Lamma ha sottoposto a valutazione CIVR ha ottenuto il giudizio di eccellenza; - un sistema software per la gestione dei protocolli di screening (in collaborazione con Dianoema S.p.a., progetto "SPRING: Screening PRotocol INtelligent Government, finanziato da Regione ER PRRIITT-2005). e inoltre, più recentemente: - un sistema software per la pianificazione protesica pre-operatoria basato su elaborazione di immagini e grafica computerizzata (nell'ambito di un bando di Ateneo finanziato da Camera di Commercio della Provincia di Ferrara, e con finanziamento di aziende private). Tutte le ricerche sono documentate nelle pubblicazioni ottenute (si veda anche Testo inglese Evelina Lamma graduated in Electronic Engineering in 1985, and got a Ph.D. degree in Computer Engineering in From 1992 to 2000 she was Associate Professor, first at University of Udine and later at University of Bologna. Since 2000 she is enrolled as Full Professor of Computer Engineering at University of Ferrara (UNIFE), where she teaches Artificial Intelligence and Foundations of Computer Science courses She was the coordinator of the PhD program in Engineering Science at the UNIFE Department of Engineering in From 2007 she supervises one BA and two MS degree curricula in the Information Engineering area at UNIFE. Her research activity concerns and focuses around: - computational logic and logic languages, for specification and verification of systems and services; - automated reasoning; - knowledge representation; - machine learning and data mining. On these subjects, she gave tutorials in national and international conferences. In her career, she also experienced with workshop and conference chairing and organization. She was member of the Executive Committees of the Italian Association for Artificial Intelligence, and of the Italian Group for Logic Programming. Actually she is member of the Executive Committee of the Association for Logic Programming (ALP). She took part to several national and international research projects, leading the research unit at UNIFE. Among them: - Project n. IST (named SOCS) financed in the EU Global Computing Action, about computational logic for specification and verification of open Scieties Of ComputeeS; - COFIN2003 project, about the management of digital rights, financed by MIUR; - PRIN2005 project, about specification and verification of agent interaction protocols, financed by MIUR. She extensively worked in projects about medical and clinical issues, and contributed to the definition and implementation of the following systems, part of which jointly with Paola Mello (UNIBO): - DNSev, a knowledge-based system for the validation of laboratory results (in the context of a technology transfer project financed by MIUR to DIANOEMA S.p.a.); - TDMIN, a data mining system for the analysis of microbiological data, and a surveillance system to detect nosocomial infections (jointly developed with UNIBO and a private company, Bologna, in the context of the PRRIITT-2003 project named IPOTESIS); the research product TDMIN presented by Evelina Lamma to the national CIVR evaluation got an A grade; - a software system for managing screening protocols (jointly developed with UNIBO and Dianoema s.p.a., in the context of the PRRIITT-2005 project named SPRING); - a software system for pre-operative implant planning (in the context of a research project financed by UNIFE and Camera di Commercio of Ferrara area, and a private company). Her research is documented in her publications (see also 5 - Pubblicazioni scientifiche più significative del Responsabile dell'unità di Ricerca 1. D. Ferraretti, LAMMA E., G. Gamberoni, M. Febo (2011). Clustering and classification techniques for blind predictions of reservoir facies. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. 6934; p , ISSN: E. Bellodi, F. Riguzzi, LAMMA E. (2010). Probabilistic Declarative Process Mining. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. Vol. 6291; p , ISSN: M. MONTALI, P. TORRONI, M. ALBERTI, F. CHESANI, LAMMA E., P. MELLO (2010). Abductive Logic Programming as an Effective Technology for the Static Verification of Declarative Business Processes. FUNDAMENTA INFORMATICAE, vol. 102; p , ISSN: T. Chiarelli, LAMMA E., T. Sansoni (2010). Techniques to Improve Preoperative Planning Precision for Oral Implantology. IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 59; p , ISSN: , doi: /TIM F. Chesani, LAMMA E., P. Mello, M. Montali, F. Riguzzi, S. Storari (2009). Exploiting inductive logic programming techniques for declarative process mining. LECTURE NOTES IN COMPUTER SCIENCE, vol. 5460; p , ISSN: , doi: / _1 6. S. Storari, F. Riguzzi, LAMMA E. (2009). Exploiting Association and Correlation Rules Parameters for Learning Bayesian Networks. INTELLIGENT DATA ANALYSIS, vol. 13; p , ISSN: X, doi: /IDA ALBERTI M, CHESANI F, GAVANELLI M, LAMMA E., MELLO P, MONTALI M, TORRONI P (2008). Expressing and Verifying Business Contracts with Abductive Logic Programming. INTERNATIONAL JOURNAL OF ELECTRONIC COMMERCE, vol. 12; p. 9-38, ISSN: , doi: /JEC ALBERTI M, CHESANI F, M. GAVANELLI, LAMMA E., MELLO P, TORRONI P (2008). Verifiable agent interaction in abductive logic programming: the SCIFF framework. ACM TRANSACTIONS ON COMPUTATIONAL LOGIC, vol. 9; p. 29:1-29:43, ISSN: , doi: / LAMMA E., P. MELLO, F. RIGUZZI, S. STORARI (2008). Applying Inductive Logic Programming to Process Mining. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4894; p , ISSN: M. MONTALI, P. TORRONI, M. ALBERTI, F. CHESANI, M. GAVANELLI, LAMMA E., P. MELLO (2008). Verification from declarative specifications using logic programming. LECTURE NOTES IN COMPUTER SCIENCE, vol. 5366; p , ISSN: ALBERTI M, CHESANI F, DAOLIO D, M. GAVANELLI, LAMMA E., MELLO P, TORRONI P (2007). Specification and verification of agent interaction protocols in a logic-based system. SCALABLE COMPUTING. PRACTICE AND EXPERIENCE, vol. 8; p. 1-13, ISSN: GAMBERONI G, LAMMA E., LODO G, MARCHESINI J, MASCELLANI N, ROSSI S, STORARI S, TAGLIAVINI L, VOLINIA S (2007). Fun&Co: identification of key functional differences in transcriptomes. BIOINFORMATICS, vol. 23; p , ISSN: , doi: /bioinformatics/btm LAMMA E., P. MELLO, M. MONTALI, F. RIGUZZI, S. STORARI (2007). Inducing Declarative Logic-Based Models from Labeled Traces. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4714; p , ISSN: ALBERTI M., GAVANELLI M, LAMMA E., CHESANI F, MELLO P, TORRONI P (2006). Compliance verification of agent interaction: A logic-based software tool. APPLIED ARTIFICIAL INTELLIGENCE, vol. 20; p , ISSN: , doi: / LAMMA E., MELLO P, NANETTI A, RIGUZZI F, STORARI S, VALASTRO G (2006). Artificial intelligence techniques for monitoring dangerous infections. IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, vol. 10; p , ISSN: , doi: /TITB ALBERTI M., GAVANELLI M., LAMMA E., MELLO P., MILANO M. (2005). A CHR-based implementation of known arc-consistency. THEORY AND

3 PRACTICE OF LOGIC PROGRAMMING, vol. 5; p , ISSN: , doi: /S X 17. BARBIERI B., GAMBERONI G., LAMMA E., MELLO P., PAVESI P., STORARI S. (2005). An expert system for the oral anticoagulation treatment. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. 3533; p , ISSN: GAMBERONI G., LAMMA E., RIGUZZI F, STORARI S, VOLINIA S (2005). Bayesian networks learning for gene expression datasets. LECTURE NOTES IN COMPUTER SCIENCE, vol. 3646; p , ISSN: GAVANELLI M., LAMMA E., MELLO P., MILANO M. (2005). Dealing with incomplete knowledge on CLP(FD) variable domains. ACM TRANSACTIONS ON PROGRAMMING LANGUAGES AND SYSTEMS, vol. 27; p , ISSN: , doi: / CUCCHIARA R., LAMMA E., SANSONI T. (2004). An imaging analysis approach for automatically re-orienteering CT images for dental implants. COMPUTERIZED MEDICAL IMAGING AND GRAPHICS, vol. 28; p , ISSN: , doi: /j.compmedimag GAMBERONI G., LAMMA E., MELLO P, PAVESI P, STORARI S, TROCINO G (2004). Learning the dose adjustment for the oral anticoagulation treatment. LECTURE NOTES IN COMPUTER SCIENCE, vol. 3337; p , ISSN: LAMMA E., MELLO P., RIGUZZI F. (2004). A system for measuring function points from an ER-DFD specification. COMPUTER JOURNAL, vol. 47; p , ISSN: , doi: /comjnl/ LAMMA E., RIGUZZI F., PEREIRA L. M. (2003). Belief revision via Lamarckian evolution. NEW GENERATION COMPUTING, vol. 21; p , ISSN: , doi: /BF LAMMA E., RIGUZZI F., STAMBAZZI A., STORARI S. (2003). Improving the SLA algorithm using Association rules. LECTURE NOTES IN COMPUTER SCIENCE, vol. 2829; p , ISSN: LAMMA E., RIGUZZI F., STORARI S. (2003). Discovering Validation Rules from Micro-biological Data. NEW GENERATION COMPUTING, vol. 21:2, ISSN: LAMMA E., RIGUZZI F., STORARI S., MELLO P., NANETTI A. (2003). Discovering Validation Rules from Microbiological Data. NEW GENERATION COMPUTING, vol. 21; p , ISSN: , doi: /BF STORARI S., LAMMA E., MANCINI R., MELLO P., MOTTA R., PATRONO D., CANOVA G. (2003). Validation of biochemical laboratory results using the DNSev expert system. EXPERT SYSTEMS WITH APPLICATIONS, vol. 25:4; p , ISSN: LAMMA E., MAESTRAMI L., MELLO P., RIGUZZI F., STORARI S. (2001). Rule-based Programming for Building Expert Systems: a Comparison in the Microbiological Data Validation and Surveillance Domain. ELECTRONIC NOTES IN THEORETICAL COMPUTER SCIENCE, vol. 59; p , ISSN: , doi: /S (04) LAMMA E., RIGUZZI F., PEREIRA L.M (2000). Strategies in Combined Learning via Logic Programs. MACHINE LEARNING, vol. 38; p , ISSN: , doi: /A: BUGLIESI M., LAMMA E., MELLO P. (1994). Modularity in Logic Programming. JOURNAL OF LOGIC PROGRAMMING, vol ; p , ISSN: Abstract dei compiti svolti dall'unità di Ricerca Testo italiano L'utilizzo effettivo ed efficace di linee guida [Gor95] e workflow dedicati ai processi clinici (detti anche careflow [Ste02]) è in continuo aumento per migliorare e standardizzare la qualità dei servizi offerti ai pazienti e richiede strumenti informatici che ne supportino l'intero ciclo di vita, dalla creazione, all'applicazione e alla successiva revisione per adattarsi al mutare del fenomeno medico modellato. Nel progetto, l'unità di ricerca presso l'università di Ferrara (UNIFE nel seguito) contribuirà ai Workpackage 1, 3 e 4 con la definizione di un ragionatore per ontologie mediche probabilistiche e di metodi di data mining e process mining clinici. Contribuirà inoltre, nel Workpackage 0, con tutte le altre unità del progetto, all'analisi dello stato dell'arte e di domini clinici rilevanti per il progetto. Nel Workpackage 1, nel task 1.1, Ontologie per la conoscenza medica e processi clinici, UNIFE investigherà tecniche per rappresentare conoscenza incerta nelle ontologie mediche e per ragionare su di essa. Le ontologie probabilistiche (si vedano [bel11, Got11]) sono particolarmente adatte e necessarie al campo medico, come è mostrato da [Kli08] in cui è presentata un'ontologia probabilistica per la valutazione del rischio del tumore al seno. UNIFE realizzerà un ragionatore ontologico probabilistico, da applicare sia per modellare incertezza nelle ontologie mediche sia per eseguire ragionamento incerto da esse. Nel Workpackage 3, UNIFE lavorerà al Task 3.2, Clinical data mining, definendo tecniche di data mining clinico di tipo descrittivo (non-supervisionate) e applicandole per individuare pattern ricorrenti nel trattamento clinico di categorie di pazienti affetti da medesima patologia. UNIFE applicherà, inoltre, algoritmi di data mining e di induzione di classificatori (tecniche supervisionate) con l'obiettivo di scoprire quali elementi discriminino le varie classi di individui (ad esempio, coorti di pazienti con esiti clinici opposti). Nel task 3.3, Clinical process mining, UNIFE si occuperà della scoperta di modelli di processi clinici da dati. Tra gli approcci al process mining [Aal03], si concentrerà su quelli dichiarativi e sui formalismi identificati nei task 1.2 e 1.3 dalle altre unità del progetto. Approcci più procedurali saranno investigati grazie alla collaborazione con un ente di ricerca estero (TU/e, lettera di intenti allegata). Quando esiste già un modello del processo clinico formalizzato, diventa particolarmente rilevante la possibilità di apportare revisioni, in modo incrementale. Perciò, nel task 1.3 UNIFE definirà algoritmi e sistemi di Process Mining incrementale per apprendere careflow e protocolli di cura. A questo scopo, si applicherà la tecnica proposta in [Cat09] per la revisione di modelli di processi a partire da tracce fornite in ingresso, adattandola ai formalismi dichiarativi identificati dagli altri partner nei task 1.2 e 1.3. Infine, nel Workpackage 4, le tecniche definite e gli algoritmi progettati saranno realizzati e sperimentati sui casi di studio identificati dal progetto. In particolare, le tecniche di Clinical data mining definite da UNIFE saranno calate in un contesto reale, e, in collaborazione con un'azienda ospedaliera (di cui si allega la lettera di intenti), si considererà una patologia specifica, la polmonite acquisita in comunità (Community-Acquired Pneumonia - CAP, per studi preliminari si veda ad esempio, [Fin97] e [Och11]). Dati clinici di pazienti con questa patologia saranno anche oggetto di applicazione delle tecniche di Process Mining definite e applicate da UNIFE, con due finalità: (i) apprendere protocolli di buona prassi dai casi con esito positivo (Clinical Process Mining); (ii) revisionare protocolli esistenti e formalizzati con i linguaggi definiti in altre attività del progetto (Incremental Clinical Process Mining) alla luce di nuovi casi presentatisi, aventi esito positivo o negativo. Testo inglese In medicine, the use of guidelines and workflows [Gor95] devoted to clinical processes (also called careflow [Ste02]) is increasing due to the need for improving and standardizing the quality of services offered to patients. In everyday practice, the effective and efficient use of these guidelinesthis use to be effective requires tools that support the entire life cycle of guidelines, from their creation to their application and subsequent revision for adapting them to the changes of the modeled medical process. In order to address these issues, the research unit of the University of Ferrara (UNIFE, for short) will focus mainly on Workpackages 1, 3 and 4, by defining probabilistic ontological tools for medicine, and clinical data and process mining methods. UNIFE will also contribute, together with all the othen project units, to Workpackage 0) about state-of-the-art analysis and analysis and identification of relevant clinical case studies. In Workpackage 1, task 1.1. Medical ontologies and clinical processes, UNIFE will investigate techniques to represent uncertain knowledge in ontologies and for reasoning on it. Probabilistic ontologies are particularly suitable and necessary for the medical field, as shown by [Kli08] where a probabilistic ontology for the assessment of breast cancer risk is presented. Starting from the semantics for probabilistic description logics in [Bel11], UNIFE will develop and apply an ontological probabilist reasoner for representing uncertainty in medical knowledge and for supporing probabilistic reasoning. In Workpackage 3, UNIFE will focus on Task 3.2, Clinical data mining, UNIFE will design descriptive (non-supervised) clinical data mining techniques will apply them to detect recurrent patterns in clinical treatment of categories of patients suffering from the same disease. UNIFE will also investigate and apply algorithms for data mining and for the induction of classifiers (supervised techniques) in order to discover what information discriminate the various classes of individuals (e.g., cohorts of patients with opposite outcomes). In Task 3.3, Clinical process mining, UNIFE will define Process Mining (PM) [Aal03] techniques, for discovering clinical process models from the data daily collected in hospital information systems. UNIFE will define declarative PM algorithms as in [Lam07a, Lam07b], suitable for learning models expressed in the formalisms identified in Task 1.2 and 1.3 by other units. Other, procedural approaches to PM, will be investigated thanks to a foreign Associated Partner (see the support letter by TU/e). When a first version of the process model is already available and formalized, it is particularly important to make revisions, in an incremental way, to the model. Therefore, UNIFE will design adequate algorithms and systems for incremental process mining. To this purpose, UNIFE intends to apply the technique proposed in

4 [Cat09] for the revision of process models from input traces and adapt them to the formalisms identified by the other partners in actask 1.2 and 1.3. Finally, in Workpackage 4) of the project, the studied techniques will be implemented and tested on the case studies considered by the project (myocardial infarction, pharmacovigilance, etc. In particular, the developed Clinical Data Mining techniques will be cast in a real context, and, in cooperation with a hospital organization(see the support letter), we will consider a specific disease, the Community-Acquired Pneumonia, CAP for short, already objected of study (see, for instance, [Fin97] and [Och11]). UNIFE wlll apply the PM techniques considered in the project with two purposes: (i) learning protocols of good practice from successful cases (Clinical Process Mining), (ii) revising existing protocols formalized with the languages defined in other project tasks by other units (Incremental Clinical Process Mining), in the light of new cases, with a positive or negative outcome. 7 - Settori di ricerca ERC (European Research Council) PE Physical Sciences and Engineering PE6 Computer science and informatics: informatics and information systems, computer science, scientific computing, intelligent systems PE6_7 Artificial intelligence, intelligent systems, multi agent systems LS Life Sciences LS7 Diagnostic tools, therapies and public health: aetiology, diagnosis and treatment of disease, public health, epidemiology, pharmacology, clinical medicine, regenerative medicine, medical ethics LS7_9 Health services, health care research 8 - Collaborazioni con altri organismi di ricerca pubblici e privati, nazionali e internazionali, e indicazione degli eventuali collegamenti con gli obiettivi di Horizon 2020 Testo italiano L'unità di ricerca UNIFE collaborerà con l'azienda Ospedaliero Universitaria di Ferrara (AOU) e con il Department of Mathematics & Computer Science della Technische Universiteit Eindhoven (TU/e) sotto la direzione deal Prof. Wil van der Aalst. Si allegano le lettere di intenti di questi due enti, il secondo dei quali è un ente di ricerca estero, che risultano partner associati al progetto AOU è interessata ad applicare tecniche di analisi intelligenti dei dati e di process mining ai dati clinici raccolti e monitorati nel corso degli ultimi anni in relazione alle morti per polmonite acquisita in comunità (Community-acquired pneumonia, CAP per brevità), una patologia che provoca circa casi l'anno nella realtà monitorata da AOU, dei quali circa il 15% portano a decesso. Secondariamente, sulla base sia dell'analisi svolta in modo automatico sia sull'esperienza clinica detenuta, AOU intende contribuire alla definizione di una o più delle linee guida da sviluppare con le tecnologie proposte nel progetto, e da applicare al fine di prevenire le morti per CAP. AOU si impegna quindi a collaborare al progetto fornendo questo caso di studio e i dati relativi, e partecipando alla fase di analisi dei dati, validazione dei modelli appresi e formalizzazione di linee guida appropriate per questo caso. Si allega la lettera di intenti. Il team di TU/e diretto dal Prof. Wil van der Aalst collaborerà con UNIFE sull'applicazione della suite ProM di algoritmi di process mining ai dati clinici sulla CAP. ProM è una suite di algoritmi di process mining (dichiarativo e non) che sarà applicato per apprendere formalizzazioni di linee guida per la prevenzione delle morti per CAP, a partire dai dati clinici e di laboratorio raccolti, e opportunamente integrati a livello di Data Warehoure. Il Prof. Wil van der Aalst di TU/e è molto noto a livello internazionale per la sua attività di ricerca nell'ambito del Process Mining. Le sue competenze e i suoi lavori si integrano perfettamente con UNIFE per quanto riguarda l'approfondimento e l'applicazione di tecniche di process mining (dichiarativo e procedurale) e della suite ProM in ambito clinico. TU/e e UNIFE considereranno sia algoritmi di process mining dichiarativo che apprendono formalizzazioni espresse nel linguaggio Declare sia algoritmi di Programmazione Logica Induttiva il cui target è un modello basato sulla logica. Le due rappresentazione saranno confrontate, in termini di espressività, tra loro e con quelle identificate da altre unità nel progetto (task 1.2 e 1.3) e saranno applicate a dati relativi alla patologia CAP come caso di studio. Per quanto riguarda i collegamenti con Horizon 2020, la strategia Europa 2020 [COM(2010) 2020] ha identificato la ricerca e l'innovazione come aspetti centrali per raggiungere gli obiettivi di una crescita intelligente, sostenibile e inclusiva. A questo scopo la Comunicazione della Commissione Un bilancio per la strategia 2020 [COM(2011) 500] ha definito le linee guida per l'iniziativa Horizon 2020, Programma quadro di ricerca e innovazione ( ) [COM(2011) 808, COM(2011) 809, COM(2011) 811]. Horizon 2020 ha lo scopo di costruire un'economia basata sulla conoscenza e l'innovazione in tutta l'unione utilizzando il finanziamento di ricerca, sviluppo e innovazione. Il progetto si propone di lavorare verso tutti e tre gli obiettivi strategici del programma Horizon 2020: scienza eccellente, leadership industriale e sfide sociali. Il progetto si avvale anche di una collaborazione interdisciplinare tra studiosi di medicina e di informatica. Si prevede che i risultati del progetto avranno un impatto sia nell'informatica sia nella prassi clinico-medica, con: (i) la definizione e realizzazione di formalismi, linguaggi e sistemi, anche ontologici, per la rappresentazione di linee guida e protocolli clinici; (ii) la realizzazione e l'applicazione di tecniche e sistemi di l'apprendimento automatico da dati e induzione e revisione di protocolli clinici e terapeutici, a partire da dati raccolti; (iii) e infine con l' applicazione degli strumenti sviluppati a importanti problemi clinici. Per quanto riguarda l'aspetto informatico del progetto, esso proporrà soluzioni innovative nell'ambito delle Tecnologie dell'informazione e della Comunicazione (TIC) Nel suo complesso le TIC rappresentano il 4,8% dell'economia della UE, generano il 25% del totale della spesa delle aziende in Ricerca e Sviluppo (R&S) e gli investimenti nelle TIC producono il 50% della crescita della produttività europea. L'obiettivo complessivo della Ricerca e Innovaztione (R&I) nelle TIC in Horizon 2020 consiste nel portare i benefici del progresso in queste tecnologie ai cittadini e alle aziende europee. Le TIC sono essenziali per affrontare le sfide della società europea. Esse propongono per esempio soluzioni uniche ai bisogni crescenti dovuti all'assistenza sanitaria sostenibile e al benessere, anche nell'invecchiamento. In linea con l'agenda digitale europea [COM(2010) 245], l'obiettivo specifico della R&I nelle TIC è quello di consentire all'europa di sviluppare e sfruttare le opportunità offerte dal progresso nelle TIC per il beneficio dei suoi cittadini, imprese e comunità scientifiche. Quale economia più grande del mondo e rappresentando il più grande mercato al mondo per le TIC, oggi a più di 2600 miliardi di EURO, le imprese, i governi, i centri di ricerca e sviluppo e le università europee possono legittimamente ambire a condurre nuovi sviluppi nelle TIC, a sviluppare nuove imprese e a investire di più nelle innovazioni nelle TIC. Entro il 2020, il settore TIC in Europa dovrebbe fornire almeno l'equivalente della sua porzione del mercato TIC globale, oggi a circa un terzo. L'Europa dovrebbe inoltre far crescere imprese innovative nelle TIC affinchè un terzo di tutti le spese industriali nella R&S nelle TIC, oggi a più di 36 miliardi di EURO all'anno, sia investito da nuove imprese create nelle ultime due decadi. Questo richiederà un considerevole aumento negli investimenti pubblici nella R&S nelle TIC in modi che amplifichino gli effetti della spesa privata, verso l'obiettivo di raddoppiare gli investimenti nella prossima decade e di aumentare significativamente i poli europei di eccellenza modiale nelle TIC. Le TIC sono il fondamento dell'innovazione e della competitività in un ampio spettro di mercati e settori privati e pubblici e consentono il progresso scientifico in tutte le discipline. Nella prossima decade, l'impatto trasformativo delle tecnologie digitali, componenti TIC, infrastrutture e servizi sarà sempre più visibile in tutte le aree della vita, con salute e sanità tra quelle le più rilevanti. Le soluzioni che il progetto proporrà nel campo delle TIC avranno un impatto su tutti e tre gli obiettivi: I linguaggi formali definiti e gli algoritmi e sistemi sviluppati rappresenteranno nuovi risultati scientifici, anche con un'applicazione industriale al di fuori del dominio considerato. Inoltre, contribuiranno direttamente alle sfide sociali della salute e del benessere consentendo la scoperta di nuova conoscenza clinico-medica (mining dai dati). Il progetto infatti proporrà nuovi algoritmi per l'analisi di dati: si svilupperanno nuovi algoritmi e sistemi per l'apprendimento (e la revisione) di modelli di processi in ambito clinico-medico e tecniche di analisi dei dati e algoritmi per il data mining. Per l'induzione di modelli di processi (Process Mining), si partirà dagli algoritmi presenti in letteratura, sia sviluppati da UNIFE o altre unità del progetto, come [Lam07b,Lam07a, Che09, Cat09, Bel10], sia sviluppati da altri enti di ricerca esteri (TU/e) interessati al progetto come [Aal04, Rub07, Pes07]. Gli algoritmi per l'induzione di modelli di processi (process mining) dovranno estrarre la struttura del workflow terapeutico o della linea guida dai dati clinico-sanitari disponibili e dal Data Warehouse. Saranno investigate e applicate tecniche di process mining i cui linguaggi target siano quelli definiti nell'ambito del Workpackage 1)

5 del progetto o linguaggi grafici quali Declare sviluppato da TU/e, ente estero di ricerca con cui si collaborerà. Sempre relativamente a tale collaborazione, si considererà l'applicazione della suite ProM messa a disposizione da TU/e per l'apprendimento di reti di Petri [Rub07, Aal04] e quindi di modellazioni più procedurali di workflow terapeutici e linee guida. Per quanto riguarda l'aspetto clinico-medico del progetto, i risultati attesi avranno un impatto sia sull'obiettivo scienza eccellente sia sull'obiettivo sfide sociali. La salute e il benessere lungo tutta la vita, sistemi sanitari e assistenziali di alta qualità ed economicamente sostenibili e opportunità di nuovi posti di lavoro e di crescita rappresentano uno dei componenti fondamentali di Europa Il costo dei sistemi sanitari e assistenziali dell'unione sta crescendo a causa della crescita dei costi della cura e della prevenzione a tutte le età. Nell'epoca della Ageing Society, si stima che il numero di europei con più di 65 anni raddoppierà da 85 milioni nel 2008 a 151 nel 2060, e che il numero di europei con più di 80 anni crescerà da 22 a 61 milioni nello stesso periodo. Ridurre o contenere questi costi in modo che non diventino insostenibili dipende in parte dall'assicurare salute e benessere lungo tutta la vita, e quindi anche dal garantire l'applicazione e la verifica, possibilmente a run-time, di linee guida cliniche, protocolli terapeutici noti e/o inferiti e validati da esperti. Condizioni croniche come malattie cardiovascolari, disordini metabolici, alimentari e neurologici, e ripetizioni di ricoveri dovuti a trattamenti non corretti o incompleti di particolari infezioni (comunitarie o nosocomiali) sono tra le maggiori cause di cattiva salute e morte prematura, e rappresentano costi sociali ed economici significativi. Il progetto si propone di dare un contributo notevole in tale senso, che sia esportabile a più contesti e domini clinici. A partire da casi di studio selezionati, si identificheranno quindi, per le varie tecniche indagate e definite, le caratteristiche, i punti di forza e le realizzazioni ripetibili e riapplicabili anche in altri domini clinici. Testo inglese The UNIFE research unit will cooperate with the Universitary Hospital (Azienda Ospedaliero Universitaria, AOU for short) in Ferrara and with the Department of Mathematics & Computer Science of the Technische Universiteit Eindhoven (TU/e), a foreign research center joining the project as Associated Partner, under Prof. Wil van der Aalst's scientific leadership. We include the two support letters of these Associated Partners. AOU is interested in applying intelligent data analysis and process mining techniques to the clinical data collected in the last few years regarding the deaths by Community-Acquired Pneumonia (CAP, for short), a disease that accounts for around events per year at the facilities monitored by AOU, among which about 15% leads to death. Secondarily, on the basis of both the automatic analysis and the clinical experience of its staff, AOU will contribute to the development of one or more guidelines with the technology developed in the project in order to apply them to the prevention and reduction of deaths by CAP. AOU will thus cooperate with the project partners by providing the CAP case study and data, and by participating in the data analysis phase, in the validation of the learned models and in the formalization of the guidelines for CAP death prevention. The team at TU/e lead by Prof. Wil van der Aalst will, instead, provide support on the ProM suite of process mining algorithms to be applied on the clinical data on CAP. ProM is a suite of declarative process mining algorithms and it can be applied in order to learn declarative formalizations of guidelines for death prevention from clinical and laboratory data, suitably integrated in the Data Warehouse. Prof. Wil van der Aalst is a very well known scientist, working on process mining. His skills and research experience are extremely useful and complementary to the UNIFE specific expertise. TU/e and UNIFE will consider both declarative process mining algorithms learning formalizations expressed in the Declare language and Inductive Logic Programming based learning approaches whose target is a logic-based model. The two target representations will be also compared in terms of expressiveness, and tailored to the formalisms identified by other project partners (in Task 1.2 and 1.3). The approaches will be experimented on the considered CAP database. As regards the links of the research with Horizon 2020, the Europe 2020 strategy [COM(2010) 2020] identified research and innovation as central to achieving the objectives of smart, sustainable and inclusive growth. To this purpose the Commission Communication A Budget for Europe 2020 [COM(2011) 500] provided the framework for establishing the Horizon 2020 initiative, The Framework Programme for Research and Innovation ( ) [COM(2011) 808, COM(2011) 809, COM(2011) 811]. Horizon 2020 has the aim of building an economy based on knowledge and innovation across the whole Union by leveraging sufficient additional research, development and innovation funding. The project will work towards all three strategic objectives of Horizon 2020: excellent science, industrial leadership and societal challenges. In fact, the project will involve an interdisciplinary cooperation among computer science researchers, and further collaboration among them and clinicians, hospital managers and software companies working in the health area. We foresee that the results of the project will make an impact both in computer science and in clinical practice as well, with: (i) the design and implementation of new formalisms and languages, enriched with ontologies too, for representing clinical guidelines and careflows; (ii) the definition of algorithms and systems for clinical data mining and process mining to learn careflows from data and best practices; (iii) and, finally, the application of formalisms and mining systems to relevant clinical problems. As regards the computer science aspects, the project will propose innovative solutions in the field of Information and Communication Technologies (ICT). As a whole, the ICT sector represents 4.8% of the EU economy. It generates 25% of total business expenditure in Research and Development (R&D), and investments in ICT account for 50% of all European productivity growth. The overall aim of EU research and innovation (R&I) in ICTs under Horizon 2020 is to bring the benefits of progress in these technologies to European citizens and businesses. ICT is essential to address Europe's societal challenges. It brings unique solutions, e.g., to sustainable healthcare and ageing well. In line with the Digital Agenda for Europe [COM(2010) 245], the specific objective of ICT research and innovation is to enable Europe to develop and exploit the opportunities brought by ICT progress for the benefits of its citizens, businesses and scientific communities. As the world's largest economy and representing the largest share of the world's ICT market, today at more than EUR 2600 billion, Europe can have legitimate ambitions for its businesses, governments, research and development centres and universities to lead developments in ICT, to grow new business, and to invest more in ICT innovations. By 2020, Europe's ICT sector should supply at least the equivalent of its share of the global ICT market, today at about one third. Europe should also grow innovative businesses in ICT so that one third of all business expenditure in ICT R&D, today at more than EUR 35 billion per year, is invested by companies created within the last two decades. This would require a considerable increase in public investments in ICT R&D in ways that leverage private spending, towards the goal of doubling investments in the next decade, and significantly more European poles of world-class excellence in ICT. ICT underpins innovation and competitiveness across a broad range of private and public markets and sectors, and enables scientific progress in all disciplines. Over the next decade, the innovative impact of digital technologies, ICT components, infrastructures and services will be increasingly visible in all areas of life, health among them. The solutions that the project will propose in the ICT field will impact on all three objectives: the designed formalisms and developed algorithms and systems will represent new scientfic results with an industrial application in several clinical domains. Moreover, they will directly contribute toward the societal challenge of health and well-being by allowing the enforcement of clinical guidelines, care-flows and discovery of new medical and clinical knowledge (data and process mining). In fact the project will propose new algorithms for clinical data analysis: we will develop algorithms for the induction of models of medical processes, and careflows, and for clinical data mining. In order to learn process models (Process MIning), we will start from the algorithms proposed in the literature by UNIFE and partner research groups of the project [Lam07a, Lam07b, Che09, Cat09, Bel10] and those developed by other associated partners (TU/e) [Aal04, Rub07, Pes07] interested to the project issues, and we will adapt them to the considered clinical cases. The algorithms for the induction of process models (process mining) will extract the structure of the therapeutic workflow or the clinical guideline from the available health data and from the Data Warehouse. We will investigate and apply the process mining techniques whose target declarative languages are those defined in Task 1.2 and 1.3 of the project, or graphical languages such as Declare developed by TU/e, the forign research institution with which UNIFE will cooperate. As regards this cooperation, we will also consider the application of the suite ProM made available by TU/e for learning Petri Nets [Rub07, Aal04] and more procedural therapeutic workflows and guidelines. As regards the medical and clinical aspects of the project, the expected results will have an impact both on the excellent sicence objective and on the societal challenges objective. Lifelong health and wellbeing for all, high-quality and economically sustainable health and care systems, and opportunities for new jobs and growth will make a major contribution to Europe The cost of Union health and social care systems is rising due to increased costs of care and prevention for all ages. In the "Ageing Society" era, it is estimated that the number of Europeans with more than 65 years will double from 85 million in 2008 to 151 in 2060, and that the number of Europeans with more than 80 years will grow from 22 million to 61 million in same period. Reducing or containing these costs such that they do not become unsustainable depends in part on ensuring the lifelong health and wellbeing of all and therefore also on ensuring the implementation and verification, possibly at

6 run-time, ot clinical guidelines, therapeutic protocols known and/or inferred and validated by experts. Chronic conditions such as cardiovascular diseases, cancer, metabolic, eating and neurological disorders, and the duplication of hospitalizations due to mishandling or incomplete treatment of (community acquired) infections are major causes of ill-health and premature death, and present significant social and economic costs. The project aims at providing a significant contribution that is repeatable in multiple clinical contexts and domains. From the selected case studies, we will identify, for each investigated technique, the characteristics, strengths and implementations that are repeatable and applicable also in other clinical domains. Allegato 1 Lettera di intenti da Department of Mathematics & Computer Science of the Technische Universiteit Eindhoven (TU/e) come Associated Partner Support letter by Department of Mathematics & Computer Science of the Technische Universiteit Eindhoven (TU/e) as Associated Partner Allegato 2 Lettera di intenti da Azienda Ospedaliero-Universitaria di Ferrara Support letter by Hospital Universitary Organization in Ferrara 9 - Parole chiave Testo italiano ANALISI INTELLIGENTE DI DATI E PROCESSI CLINICI E SANITARI ONTOLOGIE PROBABILISTICHE DATA MINING E PROCESS MINING Testo inglese INTELLIGENT ANALYSIS OF DATA, CLINICAL AND HEALTCARE PROCESSES PROBABILISTIC ONTOLOGIES DATA MINING AND PROCESS MINING 10 - Stato dell'arte Testo italiano Nel seguito si riporta lo stato dell'arte maggiormente rilevante ai fini delle attività che saranno svolte da UNIFE nel progetto. Nella rappresentazione della conoscenza medica, le ontologie probabilistiche sono particolarmente adatte, come è mostrato da [Kli08] in cui viene presentata un'ontologia probabilistica per la valutazione del rischio del tumore al seno. UNIFE investigherà tecniche per rappresentare conoscenza incerta nelle ontologie mediche e per ragionare su di essa, partendo dal lavoro [Bel11] in cui viene presentata la semantica DISPONTE per logiche descrittive probabilisticihe. DISPONTE applica la semantica distributiva sviluppata nella programmazione logica alle logiche descrittive e consente una loro estensione minimale al fine di rappresentare incertezza. Il Business Process Management (BPM) [Wes07] è un'area di ricerca che riguarda la gestione delle attività, o processi, che le organizzazioni compiono al fine di realizzare la loro missione. Il BPM ha inizialmente riguardato prevalentemente le organizzazioni industriali, ma recentemente si è concentrato anche su organizzazioni di tipo più generale e su organizzazioni sanitarie in particolare. Nel settore del BPM, sono state sviluppate diverse tecniche per la rappresentazione di modelli di processi e di esecuzioni di processi. I linguaggi utilizzati per rappresentare i modelli di processi possono essere divisi in due famiglie: quelli procedurali e quelli dichiarativi. Nei linguaggi procedurali, l'utente specifica possibili flussi di esecuzione per mezzo di un linguaggio come grafi di precedenza, reti di Petri [Pet77], diagrammi di workflow, BPMN o BPEL. Nei linguaggi dichiarativi l'utente specifica solo un insieme di vincoli (tipicamente politiche o regole di business) tra le attività. [Aal06, Pes06] notano che i linguaggi procedurali possono portare a modelli troppo specifici e vincolati, compromettendo i requisiti di chiarezza e flessibilità. Invece, i linguaggi dichiarativi esprimono "cosa" si sta modellando piuttosto che "come" il processo sarà eseguito, catturando così il comportamento ad alto livello del processo. In questo modo essi forniscono al manager una visione del processo concisa e facilmente interpretabile. I linguaggi dichiarativi possono essere grafici o basati sulla logica. Tra quelli grafici citiamo DecSerFlow [Aal06], ConDec [Pes06], CigDec [Mul07] e Declare [Pes07]. Tra quelli basati sulla logica computazionale citiamo SCIFF [Alb08]. DecSerFlow, ConDec, CigDec e Declare formano una famiglia di linguaggi correlati nei quali un modello di processo è rappresentato come un grafo in cui ogni nodo rappresenta un'attività e gli (iper)archi rappresentano vincoli tra le attività. SCIFF è un linguaggio dichiarativo basato sulla logica computazionale e sulla programmazione logica abduttiva in particolare. In SCIFF un modello di processo è rappresentato da un insieme di vincoli di integrità, formule logiche che prendono la forma di un'implicazione. Anche se i linguaggi grafici sono particolarmente interessanti perchè facilmente comprensibili dagli utenti umani, essi non possono essere direttamente usati per la verifica automatica di proprietà dei processi e di analisi dei dati, quali conformità al modello. Quindi si applicano in genere opportune tecniche di conversione in un linguaggio formale, affinché si possa fare ragionamento automatico su di essi. Ad esempio, in [Che07] viene proposto un approccio per tradurre DecSerFlow in SCIFF. Di particolare interesse per il progetto è CigDec (sviluppato da TU/e che è Associted partner di UNIFE) che costituisce l'adattamento di DecSerFlow alla gestione di linee guida mediche. Grazie all'approccio dichiarativo, CigDec supera alcuni problemi dei linguaggi procedurali nella modellazione di processi clinici. L'utente (solitamente un manager) ha il compito di scrivere un modello di un processo. In molti casi, però, il processo è già eseguito dall'organizzazione, molto spesso con il supporto di sistemi informativi. Molti di questi sistemi, inoltre, offrono la possibilità di registrare le attività compiute dall'utente: le attività che fanno parte della stessa esecuzione di un processo formano una traccia, un insieme di tracce forma il cosiddetto "log". Come ottenere modelli del processo da questi log è l'argomento dell'area di ricerca del Process Mining [Aal03]. Tale area ha ricevuto attenzione da molti anni, si veda per esempio [Agr98] e più recentemente [Aal04, Don04, Gre06]. Tutti questi lavori, però, trattano il problema della scoperta di modelli procedurali. I lavori [Lam07, Lam08, Che09] presentano un approccio per la scoperta automatica di modelli di processi espressi in SCIFF. L'approccio si basa sull'inductive Logic Programming [Mug94] e consente l'induzione da tracce etichettate come positive (considerate cioè conformi al processo) o negative. Il modello appreso è tale da discriminare le tracce positive dalle negative. Molto spesso l'ingegnere dei processi non ha accesso solo al log delle attività, ma può interagire anche con un esperto del dominio, dal quale si può ottenere una prima versione del modello del processo. In questo caso, è interessante eseguire il processo di apprendimento come raffinamento di questo modello iniziale piuttosto che da zero. In [Cat09] si è proposta una tecnica per la revisione di modelli di processi a partire da tracce (etichettate) fornite in ingresso. Il Data Mining (DM) è un'area di ricerca che si occupa di estrarre conoscenza dai dati. A seconda dell'impiego previsto per questa conoscenza, il DM risolve problemi di discriminazione dei dati oppure di descrizione dei dati. Nei problemi di discriminazione dei dati si vuole apprendere un classificatore in grado di discriminare gli esempi positivi per un concetto da quelli negativi. L'apprendimento di classificatori è ottenuta con l'induzione di alberi di decisione [Qui92], in cui i classificatori sono alberi con decisioni nei nodi interni e classi associate alla foglie, oppure apprendendo una rete bayesiana nei classificatori bayesiani [Wit11]. L'algoritmo CN2 [Cla89] apprende invece insiemi di regole di produzione. Nel DM descrittivo, il clustering raggruppa tra loro istanze dei dati simili. Uno dei piu diffusi algoritmi di clustering è il k-means [Wit11] che raggruppa ciclicamente le istanze attorno al loro centroide. Un altro algoritmo di clustering rappresenta il modello come una mixture di gaussiane e utilizza l'algoritmo EM per apprendere i parametri della mixture [Wit11]. L'algoritmo COBWEB [Fis87] compie un clustering concettuale e incrementale utilizzando una metrica per valutare la bontà del

7 clustering. Questi (ed altri) algoritmi di DM sono integrati nella suite Weka [Wit11]. Un'altra modalità di DM descrittivo è rappresentata dall'induzione di regole associative, ovvero regole che mettono in relazione entità frequentemente osservate insieme. L'algoritmo per la scoperta di regole associative più diffuso è APRIORI [Agr94] che induce le regole in due fasi: nella prima vegono scoperti gli insiemi di entità frequentemente osservati insieme e nella seconda, a partire dagli insiemi frequenti, vengono generate le regole. Anche questo algoritmo è presente in Weka. In letteratura esistono già alcune applicazioni delle tecniche di Data Mining a dati clinici (si veda, ad esempio, [Mul06]). Si parla di Data Mining clinico (Clinical Data Mining) quando le tecniche di data mining sono applicate a moli di dati che contengono dati biologici, di laboratorio, amministrativi e clinici. Gli obiettivi possono essere duplici: di ricerca (in ambito farmacologico, genetico, etc.) o gestionale. Ad esempio, [Mul06] presenta uno strumento IBM di data mining clinico (denominato HealthMiner), applicato a un'ampia coorte di pazienti (667000, tra ospedalizzati e non) e che utilizza tre approcci non-supervisionati per la scoperta di nuova conoscenza dai dati, tra i quali analisi predittiva e scoperta di pattern e correlazioni. Testo inglese We briefly survey the state-of-the-art concerning main tools and techniques relevant for research to be done by UNIFE within the project. In knowledge representation for the medical field, probabilistic ontologies are particularly well suited, as is shown by[kli08] that presents a probabilistic ontology for assessing the risk of breast cancer. UNIFE will investigate techniques for representing uncertain knowledge in medical ontologies and for reasoning on it, starting from the work [Bel11] in which the DISPONTE semantics for probabilistic description logics is presented. DISPONTE applies the distribution semantics developed in logic programming to description logics and allows their minimal extension in order to represent uncertainty. Business Process Management (BPM) [Wes07] is a research area concerned with the management of the activities, or processes, that organizations perform in order to achieve their mission. The focus of the area was initially on business organizations but recently it has shifted also to more general kind of organizations and to healthcare organizations in particular. In the field of BPM, various techniques have been developed for the representation of process models and of process executions or enactments. The languages used to represent process models can be divided into two families: procedural and declarative languages. In procedural languages, the user specifies possible process flows by means of a language such as precedence graphs, Petri nets [Pet77], workflow diagrams, BPMN or BPEL. In declarative languages the users specifies only a set of constraints (namely policies or business rules) among activities. [Aal06,Pes06] noted that procedural languages can lead to over-specified and over-constrained models, compromising the clarity and flexibility requirements. Instead, declarative languages express "what" is being modelled rather than "how" the process will be enacted, thus capturing what is the high-level process behavior. In this way they provide a concise and easily interpretable feedback to the business manager. Declarative languages can be graphical or logic based. Among the graphical ones we cite DecSerFlow [Aal06], ConDec [Pes06], CigDec [Mul07] and Declare [Pes07]. Among the logic based ones, we cite the computational-logic one SCIFF [Alb08]. DecSerFlow, ConDec. CigDec and Declare form a family of related languages where a process model is represented as a graph where each node represents an activity and the (hyper)edges represents constraints among activities. SCIFF is a declarative language based on computational logic and abductive logic programming in particular, which was originally developed for the specification and verification of global interaction protocols. In SCIFF a process model is represented as a set of integrity constraints, logical formulas that take the form of an implication. While graphical languages are particularly interesting because they are easily understandable by the human user, they can not be directly used for the automatic verification of properties of the processes, or conformance analysis on available data. Therefore, suitable translation techniques into a formal language must be devised, so that formal reasoning can be performed on them. For example, to this purpose, [Che07] proposes an approach for translating DecSerFlow into SCIFF. CigDec is of particular interest for the project. CigDec is the adaptation of DecSerFlow for the management of medical guidelines. Thanks to its declarative approach, CigDec overcomes some of the problems experienced by the procedural languages used for modelling clinical processes. The user (usually a manager) is responsible for writing a model of a process. However, in many cases the process to be modelled is already being performed by the organization, very often with the support of current information systems. Many such systems, moreover, offer the possibility of tracing each user activity: the set of activities performed in the same execution of a process forms a trace, a set of traces forms a log. How to obtain models of the process from these logs is the subject of the research area of Process Mining [Aal03]. Such an area has received a lot of attention, see for example [Agr98, Aal04, Don04, Gre06]. However, all these works have been devoted to the problem of mining procedural models. [Lam07, Lam08] present an approach for automatically mining SCIFF process models. The approach is based on Inductive Logic Programming [Mug94] and allows the induction from sets of traces labeled as positive or negative. The induced model is such that it is able to discriminate positive from negative traces. Finally, very often, the process engineer not only has access to the activity log, but can also interact with an expert of the domain, from which she can get a first version of the process model. In this case, performing learning as the refinement of this initial model rather than from zero is of interest. [Cat09] proposes a technique for reviewing process models from (labeled) traces provided as input. Data Mining (DM) is a research area whose aim is extracting knowledge from data. Depending on the foreseen use of this knowledge, DM solves discrimination or description problems. In discrimination problems one wants to learn a classifier able to discriminate the positive examples for a concept from the negative ones. Learning of classifiers is performed by inducing decision trees [Qui92], in which the classifiers are trees with decisions in the internal nodes and classes associated to the leaves, or by learning a Bayesian network in Bayesian classifier [Wit11]. The CN2 algorithm [Cla89] instead learns sets of production rules. In descriptive DM, clustering groups together similar data instances. One of the most popular clustering algorithms is the k-means [Wit11] that iteratively groups instances around their centroid. Another clustering algorithm represents the model as a mixture of Gaussians and uses the EM algorithm to learn the parameters of the mixture [Wit11]. The Cobweb algorithm [Fis87] performs an incremental conceptual clustering using a metric to evaluate the quality of clustering. These (and other) DM algorithms are integrated in the Weka suite [Wit11]. Another approach for descriptive DM is the induction of association rules, ie rules that relate entities frequently observed together. The most popular algorithm for the discovery of association rules is APRIORI [Agr94] which induces the rules in two phases: in the first sets of entities frequently observed together are discovered and in the second, starting from the frequent sets, the rules are generated. This algorithm is present as well in Weka. Some applications of Data Mining techniques to clinical data (see, for example, [Mul06]) are already present in the literature. We speak of Clinical Data Mining when the data mining techniques are applied to datasets that include biological, laboratory, administrative and clinical data. The goals of Clinical Data Mining are two fold: research (e.g., in pharmacological, genetic domains) or management. For example, [Mul06] presents an IBM clinical data mining tool (called HealthMiner) that is applied to a large cohort of patients (667,000, hospitalized and non-hospitalized) and that uses three non-supervised approaches for the discovery of new knowledge from data, including predictive analysis and discovery of patterns and correlations Riferimenti bibliografici [Aal03] van der Aalst, W. M. P.; van Dongen, B. F.; Herbst, J.; Maruster, L.; Schimm, G. & Weijters, A. J. M. M. (2003), 'Workflow mining: A survey of issues and approaches.', Data Knowl. Eng. 47(2), [Aal04] Wil M. P. van der Aalst, Ton Weijters, Laura Maruster: Workflow Mining: Discovering Process Models from Event Logs. IEEE Trans. Knowl. Data Eng. 16(9): (2004) [Aal06] W.M.P. van der Aalst and M. Pesic. DecSerFlow: Towards a Truly Declarative Service Flow Language. In M. Bravetti, M. Nunez and G.Zavattaro, eds., Proceedings of the Third International Workshop on Web Services and Formal Methods (WS-FM 2006), volume 4184 of LNCS, pages [Agr94] Rakesh Agrawal and Ramakrishnan Srikant. Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Data Bases, VLDB, pages , Santiago, Chile, Sept [Agr98] Rakesh Agrawal, Dimitrios Gunopulos, Frank Leymann: Mining Process Models from Workflow Logs. 6th International Conference on Extending Database Technology 1998: [Alb08] Marco Alberti, Federico Chesani, Marco Gavanelli, Evelina Lamma, Paola Mello, and Paolo Torroni. Verifiable agent interaction in abductive logic

8 programming: the SCIFF framework. ACM Transactions on Computational Logics (TOCL), vol. 9, no. 4, [Bel11] Bellodi E., Lamma E., Riguzzi F., Albani S., A distribution semantics for probabilistic ontologies. In Proceedings ot the 7th International Workshop on Uncertainty Reasoning for the Semantic Web, Bonn, Germany, 23 October, 2011, number 778 in CEUR Workshop Proceedings, Aachen, Germany, Sun SITE Central Europe. [Cat09] Cattafi M., Lamma E., Riguzzi F., Storari S., Incremental declarative process mining. In Ngoc Thanh Nguyen and Edward Szczerbicki, editors, Smart Information and Knowledge Management: Advances, Challenges, and Critical Issues, volume 260 of Studies in Computational Intelligence, pages Springer, 2009 [Che09] Chesani F., Lamma E., Mello P., Montali M., Riguzzi F., Storari S., Exploiting inductive logic programming techniques for declarative process mining. LNCS Transactions on Petri Nets and Other Models of Concurrency, ToPNoC II, 5460: , Springer, [Cla89] P Clark, T Niblett The CN2 induction algorithm, Machine learning, 1989 [COM(2010) 2020] COMMUNICATION FROM THE COMMISSION EUROPE 2020 A strategy for smart, sustainable and inclusive growth [COM(2010) 245] COMMUNICATION FROM THE COMMISSION TO THE EUROPEAN PARLIAMENT, THE COUNCIL, THE EUROPEAN ECONOMIC AND SOCIAL COMMITTEE AND THE COMMITTEE OF THE REGIONS A Digital Agenda for Europe [COM(2011) 500] COMMUNICATION FROM THE COMMISSION TO THE EUROPEAN PARLIAMENT, THE COUNCIL, THE EUROPEAN ECONOMIC AND SOCIAL COMMITTEE AND THE COMMITTEE OF THE REGIONS A Budget for Europe 2020 [COM(2011) 808] COMMUNICATION FROM THE COMMISSION TO THE EUROPEAN PARLIAMENT, THE COUNCIL, THE EUROPEAN ECONOMIC AND SOCIAL COMMITTEE AND THE COMMITTEE OF THE REGIONS Horizon The Framework Programme for Research and Innovation, 2011 [COM(2011) 809] Proposal for a REGULATION OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL establishing Horizon The Framework Programme for Research and Innovation ( ), 2011 [COM(2011) 811] Proposal for a COUNCIL DECISION establishing the Specific Programme Implementing Horizon The Framework Programme for Research and Innovation ( ) [DeR91] De Raedt, L. & Bruynooghe, M. (1991),CLINT: A multistrategy interactive concept-learner and theory revision system, in 'Proceedings of the 1st International Workshop on Multistrategy Learning', pp [DeR96] De Raedt, L. & Dehaspe, L. (1996), 'Clausal discovery', Machine Learning. [Don04] Boudewijn F. van Dongen, Wil M. P. van der Aalst: Multi-phase Process Mining: Building Instance Graphs. 23rd International Conference on Conceptual Modeling 2004: [Fin97] Fine MJ, Auble TE, Yealy DM, Hanusa BH, Weissfeld LA, Singer DE, Coley CM, Marrie TJ, Kapoor WN. A prediction rule to identify low-risk patients with community-acquired pneumonia. The New England Journal of Medicine NEJM 1997 Jan 23;336(4): [Fis87] DH Fisher Knowledge acquisition via incremental conceptual clustering, Machine learning, 1987 [Gor95] C. Gordon. Practice guidelines and healthcare telematics; towards an alliance. Health telematics for clinical guidelines and protocols, pages 3-15, [Got11] Gottlob G., Lukasiewicz T., Simari G.I., Conjunctive Query Answering in Probabilistic Datalog+/- Ontologies. RR 2011: [Gre06] Greco G., Guzzo A., Pontieri L., Saccà D., Discovering Expressive Process Models by Clustering Log Traces. IEEE Trans. Knowl. Data Eng. 18(8): (2006) [Kli08] P. Klinov and B. Parsia, Optimization and evaluation of reasoning in probabilistic description logic: Towards a systematic approach', in International Semantic Web Conference, volume 5318 of LNCS, pp Springer, (2008). [Lam07b] Lamma E., Mello P., Montali M., Riguzzi F., Storari S., Inducing declarative logic-based models from labeled traces. In Proceedings of the 5th International Conference on Business Process Management, volume 4714 of Lecture Notes in Computer Science, pages , Heidelberg, Germany, 2007, Springer. [Lam07a] Evelina Lamma, Paola Mello, Fabrizio Riguzzi, and Sergio Storari. Applying inductive logic programming to process mining. In Proceedings of the 17th International Conference on Inductive Logic Programming, volume 4894 of Lecture Notes in Artificial Intelligence, pages , Springer [Mug94] Muggleton, S. & De Raedt, L. (1994), 'Inductive Logic Programming: Theory and Methods', Journal of Logic Programming 19/20, [Mul06] IM. Mullinsa, M.S. Siadatya, J. Lymana, et al., Data mining and clinical data repositories: Insights from a 667,000 patient data set. Computers in Biology and Medicine. Vol.36(12), Elsevier, Dec [Mul07] Nataliya Mulyar, Maja Pesic, Wil M. P. van der Aalst, Mor Peleg: Declarative and Procedural Approaches for Modelling Clinical Guidelines: Addressing Flexibility Issues.Business Process Management Workshops 2007: [Och11] Ochoa-Gondar O, Vila-Corcoles A, Rodriguez-Blanco T, Ramos F, de Diego C, Salsench E, Gil D, Daniel J, Palacios L, Blade J. Comparison of three predictive rules for assessing severity in elderly patients with CAP. International Journal of Clinical Practice IJCP 2011 Nov;65(11): [Pes06] M. Pesic and W.M.P. van der Aalst. A Declarative Approach for Flexible Business Processes. In J. Eder and S. Dustdar, eds., Business Process Management Workshops, Proceedings of the Workshop on Dynamic Process Management (DPM 2006), volume 4103 of LNCS, pages [Pes07] Maja Pesic, Helen Schonenberg, Wil M. P. van der Aalst: DECLARE: Full Support for Loosely-Structured Processes. EDOC 2007: [Pet77] Peterson, James L. (1977). Petri Nets. ACM Computing Surveys 9 (3): [Qui92] John Ross Quinlan, C4.5: programs for machine learning, Morgan Kaufmann, 1992 [Rub07]Vladimir Rubin, Christian W. Günther, Wil M. P. van der Aalst, Ekkart Kindler, Boudewijn F. van Dongen, Wilhelm Schäfer: Process Mining Framework for Software Processes, Qing Wang, Dietmar Pfahl, David M. Raffo (Eds.): Software Process Dynamics and Agility, International Conference on Software Process, ICSP 2007, Minneapolis, MN, USA, 2007, Proceedings. Lecture Notes in Computer Science 4470 Springer 2007 [Ste02] Stefanelli M. Careflow Management Systems, [Wes07] Weske, M.: Business Process Management: Concepts, Languages, Architectures. Springer-Verlag Berlin Heidelberg 2007 [Wit11] IH. Witten, E. Frank, M.A. Hall Data Mining: Practical Machine Learning Tools and Techniques, Elsevier, 2011.

9 12 - Descrizione dei compiti dell'unità di Ricerca Testo italiano Le linee guida in campo medico [Gor95] sono recentemente cresciute di importanza poiché consentono di aumentare la qualità del servizio offerto dalle organizzazioni sanitarie. Le linee guida rappresentano un modello in base al quale fornire un servizio al paziente, servizio che coinvolge non solo il personale medico, ma anche quello paramedico e amministrativo. Risultano quindi essere una descrizione del flusso di lavoro nelle organizzazioni sanitarie, detto anche careflow [Ste02], che comprende spesso un grande numero di azioni. Tali linee guida, per poter essere effettivamente ed efficacemente utilizzate nella pratica di tutti i giorni, necessitano di strumenti informatici atti a supportare tutto il loro ciclo di vita, che va dalla creazione, all'utilizzo ed alla successiva revisione al fine di adattarsi al mutare del fenomeno medico che vanno a modellare (ad esempio all'introduzione di nuove tecniche diagnostiche o alla comparsa di nuovi sottotipi di malattie). Al fine di affrontare queste problematiche, l'unità dell'università di Ferrara (UNIFE per brevità) si focalizzerà sui workpackage 1), 3) e 4) del progetto. Nel workpackage 1), UNIFE studierà tecniche per la rappresentazione e il ragionamento su ontologie probabilistiche per la conoscenza medica e i processi clinici. Nel workpackage 3), UNIFE lavorerà allo studio e alla definizione di metodi di data mining da dati clinici e di metodi per la scoperta automatica di modelli dei processi. Nel workpackage 4), UNIFE implementerà gli algoritmi progettati nei precedenti workpackage. UNIFE parteciperà inoltre con tutte le altre unità del progetto al workpackage 0) di analisi dello stato dello stato dell'arte e analisi di alcuni casi di studio, oggetto di sperimentazione nell'arco del progetto. Riguardo al workpackage 1), nel task 1.1, Ontologie per la conoscenza medica e processi clinici, UNIFE investigherà tecniche per rappresentare conoscenza incerta nelle ontologie e per ragionare su di essa. Le ontologie probabilistiche sono particolarmente adatte al campo medico, come è mostrato da [Kli08] in cui viene presentata un'ontologia probabilistica per la valutazione del rischio di tumore al seno. Partendo dal lavoro [Bel11] in cui viene presentata la semantica DISPONTE per logiche descrittive probabilisticihe e da altre proposte in letteratura (ad esempio [Got11]), UNIFE realizzerà un ragionatore ontologico probabilistico, da applicare sia per modellare incertezza nelle ontologie mediche sia per eseguire ragionamento incerto da esse. Nel workpackage 3), UNIFE si concentrerà sul task 3.2, Clinical data mining, e proporrà soluzione innovative per l'analisi dei dati raccolti dalle strutture sanitarie riguardo le attività di cura e gestione dei pazienti. Il DM risolve problemi di descrizione dei dati oppure di discriminazione dei dati. UNIFE definirà tecniche di data mining clinico di tipo descrittivo (non-supervisionate) e le applicherà per individuare pattern ricorrenti nel trattamento clinico di categorie di pazienti affetti da medesima patologia. Investigherà ed applicherà, inoltre, algoritmi di data mining e di induzione di classificatori (tecniche supervisionate) con l'obiettivo di scoprire quali elementi discriminino le varie classi di individui (ad esempio, coorti di pazienti con esiti clinici opposti).in queste attività, si coordinerà con le altre unità del progetto che concorrono al workpackage 3) e che si occupano della parte di costruzione del Data Warehouse (unità CNR) e inferenza di modellazioni anche temporali dai dati (unità UNIVR). Inoltre, UNIFE si occuperà del task 3.3, Clinical process mining. Le linee guida descrivono i processi con i quali l'organizzazione sanitaria compie la sua missione. Recentemente lo studio dei processi nelle organizzazioni ha ricevuto grande attenzione in un ambito di ricerca chiamato Business Process Management (BPM) [Wes07]. In tale area, sono state sviluppate numerose tecniche per gestire il ciclo di vita dei processi: dalla creazione, all'utilizzo ed alla successiva revisione al fine di adattarsi al mutare delle condizioni. Il Process Mining (PM) [Aal03] si occupa delle tecniche grazie alle quali i modelli di processi possono essere costruiti in maniera il più possibile automatica a partire da dati. Infatti, anche se l'ingegnere di processo è normalmente responsabile della formalizzazione del modello di un processo, in molti casi esso è già eseguito dall'organizzazione sanitaria, spesso con il supporto dei correnti sistemi informativi. La maggior parte di tali sistemi, inoltre, offre la possibilità di registrare ciascuna attività svolta dell'utente, procurando così una traccia delle azioni compiute. Come ottenere modelli del processo da un insieme di tracce (o log) è l'argomento studiato dal Process Mining. UNIFE individuerà le problematiche specifiche del PM applicato ai careflow (linee guida) e ai clinical pathway (protocolli clinici). In [Lam07a, Lam07b, Che09] il PM è condotto con tecniche di induzione dichiarativa (Inductive Logic Programming., ILP) a partire da log di dati che contengono tracce qualificate come conformi o non conformi e che costituiscono una sorta di insieme di addestramento di esempi, positivi e negativi, per il PM. Tuttavia, non è sempre possibile identificare in modo semplice la conformità o meno di una traccia, e può essere necessario richiedere tale classificazione ad un esperto del dominio, poiché le organizzazioni sanitarie registrano meramente le attività svolte. In alcuni contesti, invece, tale classificazione è disponibile nel Data Warehouse sanitario e può rappresentare, ad esempio, l'esito (positivo con la guarigione o negativo con ricadute o decessi) di un percorso clinico-terapeutico per una particolare patologia. Nel task 3.3, UNIFE (grazie anche a una collaborazione con il Department of Mathematics & Computer Science della Technische Universiteit Eindhoven - TU/e, Associate partner di UNIFE nel progetto) investigherà e confronterà due approcci per il Process Mining in ambito clinico: uno basato su tecniche di ILP [Mug94], l'altro basato sulla suite ProM (che racchiude anche tecniche di Process Mining più procedurali). Le tecniche induttive ILP considerate saranno ispirate al sistema Claudien [DeR96] che apprende da tracce solo conformi (positive nella terminologia dell'apprendimento automatico), e/o basate sul sistema di ILP esistente definito da UNIFE, che apprende modelli da tracce etichiettate come conformi o non conformi (negative nella terminologia dell'apprendimento automatico), a seconda dei contesti clinici considerati e in funzione della tipologia di log di attività. Come concreto caso di studio per la sperimentazione di tali tecniche, UNIFE considererà, in collaborazione con l'azienda Ospedaliero Universitaria di Ferrara, quello delle polmoniti acquisite in comunità (Community-Acquired Pneumonia, CAP per brevità), che consistono in circa casi l'anno nella Provincia di Ferrara, con una percentuale del 15% di decessi. Nell'ambito del task 3.3, si studieranno e realizzeranno anche tecniche di Process Mining incrementale. Molto spesso, infatti, l'ingegnere dei processi non ha accesso solo al log delle attività, ma può interagire anche con un esperto del dominio, dal quale si può ottenere una prima versione del modello del processo (careflow o clinical pathway). In questo caso, è interessante eseguire il processo di apprendimento come raffinamento di questo modello iniziale piuttosto che da zero. Questa attività è molto simile alla revisione dei modelli proposta nell'apprendimento automatico, dove una teoria è aggiornata alla luce di nuove informazioni. A questo scopo si investigherà l'applicabilità della tecnica proposta in [Cat09] per la revisione di modelli di processi clicino-sanitari a partire da tracce (etichettate) fornite in ingresso. Anche per questa tipologia di attività, il caso di studio delle CAP è appropriato, poiché con l'acquisizione di nuovi casi e sulla base dei loro esiti sarà possibile apportare revisioni al protocollo clinico-terapeutico già definito in precedenza. Infine, nell'ambito del workpackage 4) del progetto, le tecniche studiate da UNIFE saranno realizzate e sperimentate, anche in collaborazione con le altre unità, sui casi di studio analizzati e identificati come rappresentativi di casistiche più ampie nel corso dell'attività 0) del progetto (infarto miocardico, farmacovigilanza, CAP, etc.). Nel seguito si riporta il programma di lavoro di UNIFE in maniera dettagliata. WorkPackage 0) Analisi dello stato dell'arte e approfondimento dei domini clinici individuati. Task 0.1) Analisi dello stato dell'arte e condivisione fra le unità, UNIFE svolgerà una ricerca sulle tecniche per la rappresentazione e il ragionamento su ontologie probabilistiche, al fine di individuare quelle più adatte al progetto. Inoltre, veranno analizzati gli algoritmi e i sistemi esistenti per il data mining e per il process mining, in relazione alla loro applicazione a dati e processi sanitari. Task 0.2) Specifica ed analisi dei casi di studio, UNIFE collaborerà con l'azienda Ospedaliero Universitaria di Ferrara (AOU) nell'analisi del caso di studio della CAP, una patologia che vede circa casi l'anno e il 15% di decessi nella realtà monitorata da AOU. A tal fine, sarà analizzata l'esperienza clinica, la letteratura, e i dati raccolti da AOU sui casi di CAP con esito positivo e negativo nella provincia di Ferrara. WorkPackage 1) Modellazione integrata di dati e di processi clinici e sanitari. Task 1.1) Ontologie per la conoscenza medica e processi clinici, UNIFE studierà l'applicazione di ontologie probabilistiche per la rappresentazione di conoscenza medica. Vari lavori, tra cui [Kli08], mostrano che le ontologie probabilistiche sono particolarmente adatte a rappresentare conoscenza medica in quanto essa è caratterizzata da relazioni incerte. UNIFE investigherà la possibilità di applicare la semantica DISPONTE di [Bel11], o altre di tipo probabilistico, alle ontologie mediche. Inoltre saranno sviluppati algoritmi per l'inferenza e per l'apprendimento di ontologie probabilistiche. WorkPackage 3) Analisi intelligente ed integrata di dati e processi clinici e sanitari Task 3.1), Clinical Data mining, UNIFE si occuperà di applicare tecniche di Data mining ai dati raccolti dalle strutture sanitarie ed integrati nel Data Warehouse aziendale, con particolare riguardo all'applicazione delle linee guida mediche. Si cercheranno regolarità e relazioni nei dati al fine di estrarre nuova conoscenza, partendo da casi di studio. A questo scopo si applicheranno prima algoritmi noti per la classificazione, il clustering e la scoperta di regole associative e si valuteranno i risultati ottenuti. In base a questa valutazione, si proporranno modifiche agli algoritmi noti al fine di meglio adattarli ai dati in esame. Task 3.3), Clinical process mining, ci si focalizzerà su tecniche basate su approcci dichiarativi, considerando i linguaggi e i formalismi definiti dalle altre unità del progetto nel corso del WorkPackage 1). In particolare si considereranno le tecniche induttive basate su ILP proposte in [Lam07a, Lam07b, Che09] per verificarne

10 l'applicabilità ai careflow. Si ritiene che sarà necessario estendere tali tecniche anche al caso di tracce solo conformi (positive). Ciò potrà essere fatto utilizzando l'algoritmo di Claudien che impara da interpretazioni solo positive compiendo una ricerca in ampiezza nello spazio delle clausole. Nella maggior parte dei casi reali la creazione di un modello di processo non parte da zero ma si ha a disposizione un esperto del dominio. In tali casi, l'ingegnere può costruire un modello iniziale intervistando l'esperto. Il modello iniziale deve però essere verificato e controllato alla luce dei dati disponibili, ovvero di un insieme di tracce di cui si conosca con certezza la conformità o meno al modello. Nel caso in cui il modello non sia consistente con le tracce disponibili, occorrerà revisionare il modello, al fine di allinearlo con i dati. A questo scopo si applicherà la tecnica proposta in [Cat09] per la revisione di modelli di processi a partire da tracce fornite in ingresso. [Cat09] applica le tecniche sviluppate nel campo della ILP, in particolare [DeR91], al caso del linguaggio SCIFF. WorkPackage 4) Progettazione e implementazione di una suite di strumenti software per la gestione e l'analisi integrate di linee guida e di dati clinici Le tecniche studiate e sviluppate saranno applicate ai processi clinici scelti come casi di studio nel progetto, con particolare riferimento al caso di studio delle CAP. Inoltre si cercherà, in collaborazione con AOU di Ferrara, di raccogliere i dati relativi a tale infezione e ai decessi occorsi a seguito della sua contrazione e apprendere da essi sia modelli dei dati, sia modelli dei processi clinico-terapeutici di successo (guarigione come esito) o insuccesso (decesso o ricadute ravvicinate), sia infine, raffinamenti incrementali del modello di processo già disponibile. I risultati attesi dall'attività di UNIFE sono: 1. Stato dell'arte su ontologie probabilistiche, data mining e process mining applicati a realtà cliniche e organizzazioni sanitarie 2. Raccolta di dati sul caso di studio CAP, grazie alla collaborazione con AOU 3. Sviluppo e definizione di logiche descrittive pobabilistiche e sperimentazione di un ragionatore ontologico probabilistico in ambito clinico 4. Sviluppo e applicazione di tecniche di data mining da dati sanitari 5. Sviluppo e applicazione di tecniche per il mining di modelli di careflow e protocolli terapeutici (collaborazione TU/e) 6. Applicazione di tecniche per la revisione di modelli di careflow, di linee guida e protocolli terapeutici 7. Applicazione dei prototipi ai casi di studio nell'ambito del progetto, con particolare riferimento al caso CAP per la quale c'è disponibilità di esperti clinici (ma anche altri casi individuati nel progetto come significativi). I risultati ottenuti saranno oggetto di pubblicazioni scientifiche in conferenze nazionali, conferenze internazionali ed in riviste del settore. UNIFE contribuirà inoltre alla redazione dei prodotti (deliverable) dei WorkPackage 0, 1, 3 e ai prototipi sviluppati nel WorkPackage 4. Testo inglese In the medical field, the use of guidelines [Gor95] has been recently grown because they are useful for providing an improvement of the quality of the services offered to the patients by the sanitary organizations. Guidelines model how a service should be provided and the different kind of personnel (e.g., physicians, nurses and administrative staff) involved in its provision. Therefore, they describe workflows inside the sanitary organization, referred in literature as careflows [Ste02], often involving a high number of activities. These guidelines, in order to be effectively and efficiently used in every day practice, need computer tools to support their entire life cycle, from the creation, use and subsequent revision in order to adapt to the changing of the medical process that they model (for example the introduction of new diagnostic techniques or the appearance of new desease subtypes). In order to address these issues, the unit of the University of Ferrara (UNIFE for short) will focus on WorkPackages 1), 3) and 4) of the project. In WorkPackage 1), UNIFE will study techniques for representing and reasoning on probabilistic ontology for medical knowledge and clinical processes. In WorkPackage 3), UNIFE study and design methods of data mining from clinical data and methods for the automatic discovery of process models. In WorkPackage 4), UNIFE will implement the algorithms designed in the previous WorkPackages. UNIFE will also participate with all other units of the project to WorkPackage 0), analysis of the state of the art and analysis of some case studies. Regarding acworkpackage 1), in task 1.1. Medical ontologies and clinical processes, UNIFE will investigate techniques for representing uncertain knowledge in ontologies and for reasoning on it. Probabilistic ontologies are particularly well suited to the medical field, as shown by [Kli08] that presents a probabilistic ontology for assessing the risk of breast cancer. Starting from the work [Bel11] that presents DISPONTE semantics for probabilistic description logics, and other approaches in the literature as [Got11], UNIFE will define, develop and apply an ontological probabilistic reasoner for representing uncertainty in medical knowledge and for supporting probabilistic reasoning. Regarding WorkPackage 3), UNIFE will focus on Task 3.2, Clinical data mining, and will propose innovative solutions for the analysis of the data collected from health facilities regarding activities for the care and management of patients. DM solves the problems of data description or data discrimination. UNIFE will define descriptive clinical data mining techniques (non-supervised) and will apply them for detecting recurrent patterns in the clinical treatment of categories of patients suffering from the same disease. UNIFE will also investigate and implement techniques of data mining and of induction of classifiers (supervised techniques) in order to discover the elements that discriminate the different classes of individuals (eg, cohorts of patients with opposite outcomes). In these activities, UNIFE will coordinate with the other units participating in WorkPackage 3 that face the construction of the Data Warehouse (CNR) and the inference of (temporal) models from data (UNIVR). In addition, UNIFE will work on Task 3.3, Clinical process mining. The guidelines describe the processes by which the health organization accomplishes its mission. Recently the study of processes in organizations has received much attention in a research field called Business Process Management (BPM) [Wes07]]. In this area, numerous techniques have been developed for managing the life cycle of processes: from their creation, to their use and subsequent revision in order to adapt them to the changing conditions. Process Mining (PM) [Aal03] deals with techniques for constructing process models as much as possible automatically from data. In fact, even if the process engineer is normally responsible for the formalization of the process model, in many cases the process is already performed by the health organization, often with the support of the current information systems. Moreover, most of these systems provide the ability to record each user's activity, thus providing a record of performed actions. How to obtain process models from a set of tracks (or log) is the argument studied in PM.. Starting from the works [Lam07a, Lam07b], UNIFE will identify specific issues of PM applied to "careflow" (guidelines) and "clinical pathways" (clinical protocols). In [Lam07a, Lam07b] PM is perfomed with declarative inductive techniques (Inductive Logic Programming, ILP) from log data that contain traces classified as compliant or non compliant and which form a sort of training set of examples, both positive and negative, for PM. However, it is not always possible to easily identify the conformity or otherwise of a track, and it may be necessary to obtain such a classification from a domain expert, since healthcare organizations merely record activities. In some contexts, however, this classification is available in the health Data Warehouse and may represent, for example, the outcome (positive with healin or negative with relapse or death) of a clinical-therapeutic pathway for a particular disease. In Task 3.3, UNIFE (thanks to a cooperation with the Department of Mathematics & Computer Science of the Technische Universiteit Eindhoven -TU/e) will investigate and compare two approaches for PM in a clinical setting: one based on ILP techniques [Mug94] and the other based on the PM system ProM. The inductive ILP techniques considered will be inspired by the system Claudien [DeR96] that learns only from compliant traces (positive in machine learning terminology), and/or based on the existing ILP system defined by UNIFE, that learns models from traces labeled as conforming (positive in machine learning terminology)or non conforming (negative in machine learning terminology), depending on the clinical contexts and according to the type of activity logs. As a concrete case study for testing these techniques, UNIFE will consider, in cooperation with the Azienda Ospedaliero Universitaria of Ferrara, community-acquired pneumonia (CAP for short), which has about cases per year in the Province of Ferrara, with a 15% of deaths. As part of Task 3.3, we will study and implement also incremental PM techniques. Very often,in fact, the process engineer not only has access to the activity log, but can also interact with an expert of the domain from which she can get a first version of the process model (careflow or clinical pathway). In this case, performing learning as the refinement of this initial model rather than starting from scratch is of interest. This activity is very similar to the revision of models proposed in machine learning, where a theory is updated in the light of new information. To this purpose, we will investigate the applicability of the technique proposed in [Cat09] for revising clinica-sanitary process models from (labeled) traces provided at the input. The CAP case study is appropriate for this type of activity as well, because with the acquisition of new cases and on the basis of their outcomes it will be possible to make revisions to the clinical-therapeutic protocol already defined. Finally, as part of WorkPackage 4) of the project, the techniques studied by UNIFE will be implemented and tested, in cooperation with other units, on the case studies analyzed and identified as representative in WorkPackage0) (myocardial infarction, pharmacovigilance, CAP, etc.). The detailed work programme of UNIFE is reported below. Work package 0) Analysis of the state of the art and analysis of the clinical domains. In task 0.1) Analysis of the state of the art and cross-dissemination between units, UNIFE will conduct a research on techniques for representing and reasoning about probabilistic ontologies, in order to identify those that are most suitable to the project. In addition, UNIFE will analyse the existing algorithms and systems for data and process mining, in relation to their application to healthcare data and processes. In task 0.2) Specification and analysis of case studies, UNIFE will work with the Azienda Ospedaliero Universitaria di Ferrara (AOU) in the analysis of the case study of CAP, a disease which causes about cases (with 15% of deaths) per year in the facilities monitored by AOU. To this end, UNIFE will analyze clinical experience, the literature and the data collected by the AOU on CAP cases with successful and unsuccessful outcome in the province of Ferrara.

11 Work package 1) Integrated modeling of data, clinical processes and healthcare processes. In taks 1.1) Medical ontologies and clinical processes, UNIFE willl study the application of probabilistic ontologies to the representation of medical knowledge. Various works, including [Kli08], show that probabilistic ontologies are particularly suitable to represent medical knowledge since it is often characterized by uncertain relationships. UNIFE will investigate the possibility of applying the DISPONTE semantics of [Bel11], or other probabilistic semantics, to medical ontologies. Moreover, UNIFE will develop algorithms for inference and learning of probabilistic ontologies. Work package 3) Intelligent and integrated analysis of data, clinical processes and healtcare processes. In task 3.1), Clinical Data Mining, UNIFE will apply data mining techniques to data collected by health facilities and integrated into the data warehouse, in particular with respect to the application of medical guidelines. UNIFE will look for regularities and relationships in the data in order to extract new knowledge on the application of the guidelines. To this purpose, UNIFE will apply first known algorithms for classification, clustering, and the discovery of association rules and UNIFE will evaluate the results obtained. On the basis of this evaluation, UNIFE will propose changes to the known algorithms in order to better adapt them to the considered domain. In task 3.3), Clinical process mining, UNIFE will focus on declarative approaches, considering the languages and formalisms defined by the other units of the project in work package 1). In particular, UNIFE will consider the inductive techniques based on ILP proposed in [Lam07a, Lam07b] in order to verify their applicability to careflows. We believe that we will be need to extend these techniques to the case of positive traces only. This can be done by using the algorithm Claudien that learns from positive only interpretations by performing a breadth-first search in the space of clauses. In most real cases the creation of a process model is done by interacting with an expert of the domain. In such cases rather than starting from scratch. In these cases, the engineer can build an initial model by interviewing the expert. The initial model, however, must be checked and verified in the light of the available data, i.e. a set of traces for which we know the conformity to the model. If the model is not consistent with the available traces, we will need to revise the model, in order to align it with the data. To this purpose UNIFE will apply the technique proposed in [Cat09] for revising process models from traces provided as input. [Cat09] applies the techniques developed in the ILP field, in particular [DeR91], to the case of the declarative logic-based language named SCIFF. Work package 4) Design and implementation of a software suite for the integrated management and analysis of clinical guidelines and clinical data The reasoning and learning techniques will be implemented and applied to the clinical processes chosen as case studies in the project, with particular reference to the CAP case study. Moreover we will collect, in cooperation with AOU, data related to such infections and deaths occurred as a result of its contraction, and we will learn from them both models of the data, models of the clinical and therapeutic processes, either successfull (healing as a result) or unsuccessful (death or early relapse), and, finally, incremental refinements of the process model already available. The results expected from UNIFE activities are: 1. State of the art of probabilistic ontologies, data and process mining applied to clinical and health organizations 2. Collection of data on CAP in collaboration with AOU 3. Definition of probabilistic ontologies, development of an ontological probabilistic reasoner for representing uncertainty in medical knowledge and for supporting probabilistic reasoning. 4. Development and application of data mining techniques to medical data 5. Development and application of techniques for mining models of careflows and treatment protocols (collaboration with TU/e) 6. Application of techniques for revising careflow models, guidelines and treatment protocols 7. Application of the prototypes to the case studies considered in the project, with particular reference to the CAP case for which there is availability of clinical experts (but also to other cases identified in the project as significant). The results obtained will be published in national conferences, international conferences and journals. Finally, UNIFE will contribute to deliverables pertaining WorkPackage 0, 1, 3 and to implement part of the pototypes of WorkPackage Descrizione delle attrezzature già disponibili ed utilizzabili per la ricerca proposta Testo italiano Nessuna Testo inglese Nessuna 14 - Elenco dei partecipanti all'unità di Ricerca 14.1 Personale dipendente dall'ateneo/ente cui afferisce l'unità di ricerca 14.1.a - Docenti / ricercatori / tecnologi nº Cognome Nome Qualifica costo annuo lordo (a) mesi/persona previsti (b) costo attribuito al progetto ((a/12)*b) 1. LAMMA Evelina Professore Ordinario , RIGUZZI Fabrizio Ricercatore confermato TOTALE , b - Altro personale tecnico nº Cognome Nome Qualifica costo annuo lordo (a) mesi/persona previsti (b) costo attribuito al progetto ((a/12)*b) TOTALE 0 0 0

12 14.2 Personale dipendente da altri Atenei/Enti 14.2.a - Docenti / ricercatori / tecnologi Nessuno 14.2.b - Altro personale tecnico nº Cognome Nome Università/Ente Qualifica costo annuo lordo (a) mesi/persona previsti (b) costo attribuito al progetto ((a/12)*b) TOTALE Personale non dipendente già presente presso l'ateneo/ente cui afferisce l'unità di Ricerca alla data di presentazione del progetto (da inserire a costo zero): nº Cognome Nome Università/Ente Tipologia costo annuo lordo (a) mesi/persona previsti (b) costo attribuito al progetto ((a/12)*b) 1. CHIARELLI Tommaso Università degli Studi di FERRARA Assegnista BELLODI Elena Università degli Studi di FERRARA Dottorando 0 6, PEANO Andrea Università degli Studi di FERRARA Dottorando TOTALE 0 16, Personale dipendente e non dipendente da destinare a questo specifico Progetto: nº Tipologia di contratto costo annuo lordo (a) mesi/persona previsti (b) costo attribuito al progetto ((a/12)*b) Note 1. Assegnisti , Assegnisti , TOTALE ,000 24, Personale di Enti/Istituzioni straniere nº Cognome Nome Qualifica (Università/Ente) Dipartimento/Istituto 15 - Mesi persona complessivi dedicati al Progetto Mesi/Persona 15.1 Personale dipendente dall'ateneo/ente cui afferisce l'unità di ricerca a) docenti / 7,5 ricercatori / tecnologi b) altro personale tecnico 15.2 Personale dipendente da altri Atenei/Enti a) docenti / ricercatori / tecnologi b) altro personale tecnico 15.3 Personale non dipendente già presente presso l'ateneo/ente cui afferisce l'unità di ricerca alla a) assegnisti 1 data di presentazione del progetto (da inserire a costo zero) b) dottorandi 15,5 c) professori a contratto d) co.co.co (solo per EPR)

13 15.4 Personale dipendente o non dipendente da destinare a questo specifico Progetto a) assegnisti 24 b) ricercatori a tempo determinato c) dottorandi 0 d) co.co.co. 0 TOTALE Costo complessivo dell'unità di Ricerca 0 Voce di spesa A - Spese di personale (cofinanziamento ateneo/ente; punti 14.1 (A.1) (A.2); non superiore al 30% del costo del progetto) A - Spese di personale non dipendente da destinare a questo specifico progetto - punto 14.4 (A.4) B - Spese generali (quota forfettaria pari al 60% del costo totale del personale, spesa A) C - Attrezzature, strumentazioni e prodotti software Spesa in Euro Descrizione dettagliata (in italiano) Partecipa un PO, un RU, due dottorandi e un assegnista già in ruolo Descrizione dettagliata (in inglese) The group consists of 1 Full Professor, 1 Assistant Professor, 2 PhD students, 1 Research Contract yet started Due Assegni di ricerca Two Research Contracts Spese generali (quota forfettaria pari al 60% del costo totale del personale, spesa A) 0 La voce è 0, perché c'è disponibilità di portatili e PC, e un cluster di Dipartimento D - Servizi di consulenza e simili 0 E - Altri costi di esercizio Spese per missioni e partecipazione a convegni Costo Complessivo dell'unità di Ricerca This item is 0, since we have a sufficient number of laptops and PCs available, and a cluster too Conference/workshop registration fees, travel expenses Finanziamento MIUR Costo a carico Ateneo / Ente N.B. - I costi relativi al personale dipendente già operante presso gli atenei e gli enti di ricerca alla data di scadenza del presente bando non possono superare il 30% del costo del progetto. I dati contenuti nella domanda di finanziamento sono trattati esclusivamente per lo svolgimento delle funzioni istituzionali del MIUR. Incaricato del trattamento è il CINECA- Dipartimento Servizi per il MIUR. La consultazione è altresì riservata agli atenei e agli enti di ricerca (ciascuno per le parti di propria competenza), al MIUR - D.G. per il Coordinamento e lo Sviluppo della Ricerca - Ufficio V, al CNGR e ai CdS. Il MIUR potrà anche procedere alla diffusione dei principali dati economici e scientifici relativi ai progetti finanziati. Firma Data (dal sistema alla chiusura della domanda)

14 Curricula scientifici dei componenti il gruppo di ricerca Testo italiano 1. BELLODI Elena Curriculum: Elena Bellodi ha conseguito la laurea triennale con lode in Ingegneria Informatica e dell'automazione presso l'università di Ferrara nel 2007, discutendo la tesi Procedure automatiche su piattaforma Windows CE per la localizzazione in remoto di faune selvatiche, e la laurea specialistica con lode ed encomio in Ingegneria Informatica e dell'automazione - curriculum Informatica presso la stessa Università nel 2009, discutendo la tesi Strumenti di Process Mining e loro applicazione, con relatori Ing. Fabrizio Riguzzi e Prof. Evelina Lamma. Dal 1 gennaio 2010 ha iniziato il dottorato di ricerca in Scienze dell'ingegneria presso l'università di Ferrara, con la supervisione dell'ing. Fabrizio Riguzzi, all'interno del gruppo di ricerca di Intelligenza Artificiale. Ha conseguito la certificazione della conoscenza della lingua inglese Cambridge ESOL First Certificate in English (FCE) l'11 dicembre 2010 presso Inlingua School Ferrara. Ha partecipato alla scuola ISCL Third International ALP/GULP Spring School on Computational Logic a Bertinoro (FC) nel periodo aprile Ricerca L'attività di ricerca riguarda il campo dell'apprendimento automatico (Machine Learning) e in particolare: - apprendimento di modelli di processi di business; - apprendimento di programmi logico-probabilistici. Pubblicazioni: BELLODI E., E. LAMMA, F. RIGUZZI, S. ALBANI (2011). A Distribution Semantics for Probabilistic Ontologies. In: Uncertainty Reasoning for the Semantic Web Bonn, 23/10/2011Fernando Bobillo, Rommel Carvalho, Paulo C. G. da, vol. 778, p BELLODI E., F. Riguzzi (2011). An Expectation Maximization Algorithm for Probabilistic Logic Programs BELLODI E., F. Riguzzi (2011). EM over Binary Decision Diagrams for Probabilistic Logic Programs BELLODI E., F. Riguzzi, E. Lamma (2010). Probabilistic Declarative Process Mining. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. Vol. 6291; p , ISSN: BELLODI E., F. Riguzzi, E. Lamma (2010). Probabilistic Logic-based Process Mining. In: Proceedings of the 25th Italian Conference on Computational Logic. Rende (CS),Italia, 07/07/ /07/2010Università della Calabria - Dipartimento di Matema, vol. Vol-598, p BELLODI E., F. Riguzzi, E. Lamma (2009). Mining Probabilistic Declarative Process Models 2. CHIARELLI Tommaso Curriculum: TITOLO DI STUDIO Data di conseguimento: 25/03/2011 Titolo conseguito: Dottore di Ricerca Descrizione: Scienze dell'ingegneria Titolo della Tesi: Un Ambiente 3D per la Pianificazione e Simulazione Chirurgica Tipo di corso: Dottorato Post Laurea in Scienze dell'ingegneria Nome e indirizzo istituzione: Università degli Studi di Ferrara - Via Savonarola, 9 - Ferrara Data di conseguimento: 27/03/2007 Titolo conseguito: Laurea specialistica/magistrale Descrizione: Ingegneria Informatica e dell'automazione Voto conseguito: 110/110 e Lode Titolo della Tesi: Gestione di Modelli 3D per l'implantologia Orale Classe di laurea: Classe delle lauree specialistiche in Ingegneria Informatica Nome e indirizzo istituzione: Università degli Studi di Ferrara - Via Savonarola, 9 - Ferrara ESPERIENZE Periodo: 01/04/ /03/2012 Posizione: Assegnista per Università di Ferrara, Dipartimeno di Ingegneria Qualifica: Assistente Ricercatore Tipo di attività svolta: Tecniche di intelligenza artificiale per visione artificiale ed analisi di Immagini Nome e indirizzo istituzione: Università degli Studi di Ferrara, Dipartimento di Ingegneria - Via Savonarola, 9 - Ferrara, Italia Struttura: Ingegneria Periodo: 01/12/ /12/2010 Posizione: Collaboratore esterno per EraScientific Srl Qualifica: Sviluppatore Software e Responsabile Prodotto Tipo di attività svolta: Stesura del Manuale d'uso del software per l'implantologia orale e la chirurgia guidata DentalVox 3.0 Nome e indirizzo società: EraScientific Srl - Via Cristoforo Colombo, 5 - Cattolica, Italia Periodo: 01/04/ /12/2007 Posizione: Collaboratore esterno per EraScientific Srl Qualifica: Programmatore e Consulente DICOM Tipo di attività svolta: Sviluppo di un applicativo per la lettura di file DICOM e relativa archiviazione in formato proprietario Nome e indirizzo società: EraScientific Srl - Via Cristoforo Colombo, 5 - Cattolica, Italia Periodo: 01/01/ /01/2007 Posizione: Collaboratore esterno per Università di Ferrara, Dipartimeno di Ingegneria Qualifica: Sviluppatore Software Tipo di attività svolta: Studio e realizzazione di software per la visualizzazione di modelli solidi tri-dimensionali da immagini derivanti da TAC Nome e indirizzo istituzione: Università degli Studi di Ferrara, Dipartimento di Ingegneria - Via Savonarola, 9 - Ferrara, Italia Struttura: Ingegneria Periodo: 01/04/ /10/2006 Posizione: Tirocinio presso EraScientific Srl Qualifica: Tirocinante Tipo di attività svolta: Gestione di modelli 3D per l'implantologia orale Nome e indirizzo istituzione: Università degli Studi di Ferrara - Via Savonarola, 9 - Ferrara, Italia Struttura: Ingegneria Periodo: 01/09/ /02/2005 Posizione: Tirocinio presso EraScientific Srl Qualifica: Tirocinante Tipo di attività svolta: Procedure di ottimizzazione del rendering di immagini diagnostiche Nome e indirizzo istituzione: Università degli Studi di Ferrara - Via Savonarola, 9 - Ferrara, Italia Struttura: Ingegneria

15 Pubblicazioni: CHIARELLI T., E. Lamma, T. Sansoni (2010). A fully 3D work context for oral implant planning and simulation. INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY, vol. 5; p , ISSN: , doi: /s y CHIARELLI T., E. Lamma, T. Sansoni (2010). Techniques to Improve Preoperative Planning Precision for Oral Implantology. IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 59; p , ISSN: , doi: /TIM CHIARELLI T., E. Lamma, T. Sansoni (2009). A Tool to Achieve Correct and Precise Measurements for Oral Implant Planning and Simulation. In: 2009 IEEE International Workshop Medical Measurements and Applications (MeMeA 2009) Proceedings. Cetraro, 29/05/ /05/2009IEEE Instrumentation & Measurement Society, p , ISBN/ISSN: CHIARELLI T., F. Franchini, A. Lamma, E. Lamma, T. Sansoni (2009). A 3D environment for oral implant planning and simulation. INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY, vol. 4; p. S217-S219, ISSN: PEANO Andrea Curriculum: Andrea Peano ha conseguito la laurea specialistica in Ingegneria Informatica nel 2011 con voto 107/110, presso l'università degli Studi di Ferrara. Da Gennaio 2012 ad oggi è dottorando presso il dipartimento di Ingegneria di Ferrara. I suoi studi riguardano l'ottimizzazione combinatoria e la programmazione a vincoli, con una particolare attenzione sulla progettazione di strategie risolutive ibride, sfruttando le potenzialità di diverse tecniche tra le quali, ad esempio, Constraint Logic Programming, Mixed Integer Linear Programming ed Algoritmi Genetici. Recentemente, per affrontare un tipico problema di ottimizzazione-simulazione nella gestione delle contaminazioni nelle reti idriche, ha studiato le potenzialità dell'ibridizzazione di un Algoritmo Genetico con modelli MILP studiati ad hoc; presenterà i risultati durante la conferenza internazionale EvoStar Pubblicazioni: M. Gavanelli, M. Nonato, PEANO A., S. Alvisi, M. Franchini (2012). Genetic Algorithms for Scheduling Devices Operation in a Water Distribution System in Response to Contamination Events. LECTURE NOTES IN COMPUTER SCIENCE, vol. 7245; p , ISSN: RIGUZZI Fabrizio Curriculum: Fabrizio Riguzzi si è laureato in Ingegneria Informatica presso l'università di Bologna nel 1995 discutendo la tesi "Approcci per lo sviluppo di sistemi basati su conoscenza per la classificazione", con relatrice Prof. Paola Mello. Nel 1999 ha conseguito il titolo di Dottore di Ricerca in Ingegneria Elettronica e Informatica presso l'università di Bologna discutendo la tesi "Extensions of Logic Programming as Representation Languages for Machine Learning", con relatore Prof. Maurelio Boari. Dal 1 novembre 1999 è Ricercatore presso la Facoltà di Ingegneria dell'università di Ferrara. L'attività di ricerca di Fabrizio Riguzzi ha riguardato principalmente il settore dell'intelligenza artificiale. In tale ambito, si è occupato di apprendimento automatico sotto diversi aspetti: 1) apprendimento di progarmmi logici probabilistici, 2) apprendimento di programmi logici abduttivi, 3) apprendimento di programmi logici estesi, 4) apprendimento di modelli di processi di business, 5) apprendimento da grandi moli di dati, 6) apprendimento di reti bayesiane, 7) impiego di algoritmi genetici per la revisione di credenze, 8) scoperta di regole di associazione da dati microbioligici. È autore di più di 100 lavori sottoposti a processo di revisione. Ha partecipato a quattro progetti europei, a diversi progetti locali e nazionali e a diversi progetti industriali. È stato responsabile scientifico di un progetto Giovani Ricercatori dal titolo "Applicazione di tecniche di apprendimento a database multi-relazionali". É program chiar insieme a Filip Zelezny della 22th International Conference on Inductive Logic Programming. Ha organizzato insieme a Marco Gavanelli, il Convegno Italiano di Logica Compuatazionale Ha fatto parte del comitato di programma di ECML/PKDD2011, IJCAI2011, AI*IA2011, MCP2011, CILC2011, RCRA2011, CISIS2011 RCRA2010, CILC2010, IDA2010, IDA2009, CILC2008, RCRA2008, RCRA2006, RCRA2005, Workshop su Apprendimento Automatico: Metodi e Applicazioni, AI*IA Ha fatto parte del comitato organizzatore del sesto Congresso dell'associazione Italiana per l'intelligenza Artificiale tenutasi a Bologna nel settembre È stato program co-chair con il Prof. Giorgio Casadei e la Prof. Lorenza Saitta del Workshop su Intelligenza Artificiale e Didattica tenutosi nel 1999 nell'ambito del sesto Congresso dell'associazione Italiana per l'intelligenza Artificiale. Ha collaborato con i Prof. Terrance Swift e Luis Moniz Pereira del Centro de Inteligencia Artificial dell'universidade Nova de Lisboa. e con il Prof. Antonis Kakas del Department of Computer Science della University of Cyprus. Ha svolto lavoro di revisione per le riviste: Machine Learning, Theory and Practice of Logic Programming, Annals of Mathematics and Aritificial Intelligence, Studia Logica, Computational Intelligence, LNCS Transactions on Petri Nets and Other Models of Concurrency, Annals of Software Engineering, AI Communications, Fundamentae Informaticae, Simulation Modelling Practice and Theory e Intelligenza Artificiale. Ha svolto lavoro di revisione per le conferenze: International Conference on Inductive Logic Programming, International Conference on Logic Programming, European Conference on Logics in Artificial Intelligence, International Symposium on Practical Aspects of Declarative Languages, International Symposium on Methodologies for Intelligent Systems, International Conference on Logic Programming and Nonmonotonic Reasoning, International Joint Conference on Autonomous Agents and Multiagent Systems, International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems, European Conference on Logics in Artificial Intelligence, Congresso dell'associazione Italiana per l'intelligenza Artificiale, Congresso Appia-Gulp-Prode, Convegno Italiano di Logica Computazionale, Mexican International Conference on Artificial Intelligence, International Conference on Integration of AI and OR Techniques in Constraint Programming for Combinatorial Optimization Problems, International Conference on Computational Aspects of Social Networks. Pubblicazioni: M. Alberti, M. Gavanelli, E. Lamma, RIGUZZI F., S. Storari (2011). Learning specifications of interaction protocols and business processes and proving their properties. INTELLIGENZA ARTIFICIALE, vol. 5; p , ISSN: , doi: /IA M. Gavanelli, RIGUZZI F., M. Milano, D. Sottara, A. Cangini, P. Cagnoli (2011). An Application of Fuzzy Logic to Strategic Environmental Assessment. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. 6934; p , ISSN: RIGUZZI F., T. Swift (2011). The PITA System: Tabling and Answer Subsumption for Reasoning under Uncertainty. THEORY AND PRACTICE OF LOGIC PROGRAMMING, vol. 11 (4-5); p , ISSN: S. Bragaglia, RIGUZZI F. (2011). Approximate Inference for Logic Programs with Annotated Disjunctions. LECTURE NOTES IN COMPUTER SCIENCE, vol. 6489; p , ISSN: E. Bellodi, RIGUZZI F., E. Lamma (2010). Probabilistic Declarative Process Mining. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. Vol. 6291; p , ISSN: M. Gavanelli, RIGUZZI F., A. Pettorossi (2010). Special Issue on the Italian Conference on Computational Logic: CILC Preface. FUNDAMENTA INFORMATICAE, vol. 105; p. v-vi, ISSN: M. Gavanelli, RIGUZZI F., M. Milano, P. Cagnoli (2010). Logic-Based Decision Support for Strategic Environmental Assessment. THEORY AND PRACTICE OF LOGIC PROGRAMMING, vol. 10; p , ISSN: RIGUZZI F. (2010). SLGAD Resolution for Inference on Logic Programs with Annotated Disjunctions. FUNDAMENTA INFORMATICAE, vol. 102; p.

16 , ISSN: , doi: /FI F. Chesani, E. Lamma, P. Mello, M. Montali, RIGUZZI F., S. Storari (2009). Exploiting inductive logic programming techniques for declarative process mining. LECTURE NOTES IN COMPUTER SCIENCE, vol. 5460; p , ISSN: , doi: / _1 RIGUZZI F. (2009). Extended Semantics and Inference for the Independent Choice Logic. LOGIC JOURNAL OF THE IGPL, vol. 17; p , ISSN: , doi: /jigpal/jzp025 S. Storari, RIGUZZI F., E. Lamma (2009). Exploiting Association and Correlation Rules Parameters for Learning Bayesian Networks. INTELLIGENT DATA ANALYSIS, vol. 13; p , ISSN: X, doi: /IDA E. LAMMA, P. MELLO, RIGUZZI F., S. STORARI (2008). Applying Inductive Logic Programming to Process Mining. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4894; p , ISSN: RIGUZZI F. (2008). ALLPAD: Approximate learning of logic programs with annotated disjunctions. MACHINE LEARNING, vol. 70; p , ISSN: , doi: /s RIGUZZI F. (2008). Inference with logic programs with annotated disjunctions under the well founded semantics. LECTURE NOTES IN COMPUTER SCIENCE, vol. 5366; p , ISSN: E. LAMMA, P. MELLO, M. MONTALI, RIGUZZI F., S. STORARI (2007). Inducing Declarative Logic-Based Models from Labeled Traces. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4714; p , ISSN: RIGUZZI F. (2007). A Top Down Interpreter for LPAD and CP-logic. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4733; p , ISSN: RIGUZZI F. (2007). ALLPAD: Approximate learning of logic programs with annotated disjunctions. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4455; p , ISSN: LAMMA E., MELLO P, NANETTI A, RIGUZZI F., STORARI S, VALASTRO G (2006). Artificial intelligence techniques for monitoring dangerous infections. IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, vol. 10; p , ISSN: , doi: /TITB GAMBERONI G., LAMMA E, RIGUZZI F., STORARI S, VOLINIA S (2005). Bayesian networks learning for gene expression datasets. LECTURE NOTES IN COMPUTER SCIENCE, vol. 3646; p , ISSN: RIGUZZI F. (2005). A Comparison of ILP Systems on the Sisyphus Dataset. INTELLIGENZA ARTIFICIALE, vol. Anno II; p , ISSN: LAMMA E., MELLO P., RIGUZZI F. (2004). A system for measuring function points from an ER-DFD specification. COMPUTER JOURNAL, vol. 47; p , ISSN: , doi: /comjnl/ RIGUZZI F. (2004). Learning Logic Programs with Annotated Disjunctions. LECTURE NOTES IN COMPUTER SCIENCE, vol. 3194; p , ISSN: RIGUZZI F., STORARI S (2004). La sedicesima conferenza europea di intelligenza artificiale (ECAI). INTELLIGENZA ARTIFICIALE, vol. Anno I; p , ISSN: LAMMA E., RIGUZZI F., PEREIRA L. M. (2003). Belief revision via Lamarckian evolution. NEW GENERATION COMPUTING, vol. 21; p , ISSN: , doi: /BF LAMMA E., RIGUZZI F., STAMBAZZI A., STORARI S. (2003). Improving the SLA algorithm using Association rules. LECTURE NOTES IN COMPUTER SCIENCE, vol. 2829; p , ISSN: LAMMA E., RIGUZZI F., STORARI S., MELLO P., NANETTI A. (2003). Discovering Validation Rules from Microbiological Data. NEW GENERATION COMPUTING, vol. 21; p , ISSN: , doi: /BF CUCCHIARA R, MELLO P, PICCARDI M, RIGUZZI F. (2001). An application of machine learning and statistics to defect detection. INTELLIGENT DATA ANALYSIS, vol. 5; p , ISSN: X LAMMA E, MELLO P, NANETTI A, POLI G, RIGUZZI F., STORARI S (2001). An Expert System for Microbiological Data Validation and Surveillance. LECTURE NOTES IN COMPUTER SCIENCE, vol. 2199; p , ISSN: LAMMA E, RIGUZZI F., PEREIRA L. M (2001). Belief Revision by Lamarckian Evolution. LECTURE NOTES IN COMPUTER SCIENCE, vol. 2037; p , ISSN: LAMMA E., MAESTRAMI L., MELLO P., RIGUZZI F., STORARI S. (2001). Rule-based Programming for Building Expert Systems: a Comparison in the Microbiological Data Validation and Surveillance Domain. ELECTRONIC NOTES IN THEORETICAL COMPUTER SCIENCE, vol. 59; p , ISSN: , doi: /S (04) Testo inglese 1. BELLODI Elena Curriculum: Elena Bellodi received her Bachelor's degree with honors in Computer Science and Automatic Engineering from the University of Ferrara (Italy) in 2007, with the thesis "Automatic procedures on Windows CE platform for remote localization of wild fauna" and her Master's degree with honors in Computer Science Engineering from the University of Ferrara in 2009, with the thesis "Application of Process Mining Tools". Since the 1st of January 2010 she is a Ph.D. student in Engineering Sciences in the Artificial Intelligence Research Group at the same University, under the supervision of Dr. Fabrizio Riguzzi and Prof. Evelina Lamma. She received the Cambridge ESOL First Certificate in English (FCE) the 11th of December 2010 at Inlingua School Ferrara. She attended the ISCL - Third International ALP/GULP Spring School on Computational Logic in Bertinoro (Italy) from 10 to 15 of April Research Her research activity concerns the field of Machine Learning and in particular: Learning of business process models; Learning of probabilistic logic programs. Pubblicazioni: BELLODI E., E. LAMMA, F. RIGUZZI, S. ALBANI (2011). A Distribution Semantics for Probabilistic Ontologies. In: Uncertainty Reasoning for the Semantic Web Bonn, 23/10/2011Fernando Bobillo, Rommel Carvalho, Paulo C. G. da, vol. 778, p BELLODI E., F. Riguzzi (2011). An Expectation Maximization Algorithm for Probabilistic Logic Programs BELLODI E., F. Riguzzi (2011). EM over Binary Decision Diagrams for Probabilistic Logic Programs BELLODI E., F. Riguzzi, E. Lamma (2010). Probabilistic Declarative Process Mining. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. Vol. 6291; p , ISSN: BELLODI E., F. Riguzzi, E. Lamma (2010). Probabilistic Logic-based Process Mining. In: Proceedings of the 25th Italian Conference on Computational Logic. Rende (CS),Italia, 07/07/ /07/2010Università della Calabria - Dipartimento di Matema, vol. Vol-598, p BELLODI E., F. Riguzzi, E. Lamma (2009). Mining Probabilistic Declarative Process Models 2. CHIARELLI Tommaso Curriculum: TITLE OF QUALIFICATION Date: 25/03/2012 Title awarded: Philosophiae Doctor Description: Engineering Science Thesis title: A 3D Environment for Surgical Planning and Simulation Degree Type: Postgraduate Degree in Engineering Science Institution name and address: Università degli Studi di Ferrara - Via Savonarola, 9 - Ferrara Date: 27/03/2007 Title awarded: Master of Science

17 Description: Information and Automation Engineering Result awarded: 110/110 Cum Laude Thesis title: Management of 3D Models for Oral Implantology Degree Type: Postgraduate Degree in Software Engineering Institution name and address: Università degli Studi di Ferrara - Via Savonarola, 9 - Ferrara WORK EXPERIENCE Periodo: 01/04/ /03/2012 Posizione: Fellow at Università di Ferrara, Dipartimeno di Ingegneria Qualifica: Assistant Researcher Tipo di attività svolta: Techniques of artificial intelligence for computer vision and image analysis Nome e indirizzo istituzione: Università degli Studi di Ferrara, Dipartimento di Ingegneria - Via Savonarola, 9 - Ferrara, Italia Struttura: Ingegneria Periodo: 01/12/ /12/2010 Posizione: External collaborator at EraScientific Srl Qualifica: Software Developer and Product Specialist Tipo di attività svolta: Writing of the Instructions Manual of the software for oral implantology and guided surgery DentalVox 3.0 Nome e indirizzo società: EraScientific Srl - Via Cristoforo Colombo, 5 - Cattolica, Italia Dates: 01/04/ /12/2007 Position: External collaborator at EraScientific Srl Title: Programmer and DICOM Consultant Activity: Development of a software for DICOM file format reading and storage Company name and address: EraScientific Srl - Via Cristoforo Colombo, 5 - Cattolica, Italy Periodo: 01/01/ /01/2007 Posizione: External collaborator at Università di Ferrara, Dipartimeno di Ingegneria Qualifica: Software Developer Tipo di attività svolta: Analysis and development of a software for visualization of three-dimensional solid models from CT derived images Nome e indirizzo istituzione: Università degli Studi di Ferrara, Dipartimento di Ingegneria - Via Savonarola, 9 - Ferrara, Italia Struttura: Engineering Dates: 01/04/ /10/2006 Position: Apprenticeship at EraScientific Srl Title: Intern Activity: Management of 3D models for oral implantology Institution name and address: Università degli Studi di Ferrara - Via Savonarola, 9 - Ferrara, Italy Department: Engineering Dates: 01/09/ /02/2005 Position: Apprenticeship at EraScientific Srl Title: Intern Activity: Procedures for optimization of diagnostic images rendering Institution name and address: Università degli Studi di Ferrara - Via Savonarola, 9 - Ferrara, Italy Department: Engineering Pubblicazioni: CHIARELLI T., E. Lamma, T. Sansoni (2010). A fully 3D work context for oral implant planning and simulation. INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY, vol. 5; p , ISSN: , doi: /s y CHIARELLI T., E. Lamma, T. Sansoni (2010). Techniques to Improve Preoperative Planning Precision for Oral Implantology. IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 59; p , ISSN: , doi: /TIM CHIARELLI T., E. Lamma, T. Sansoni (2009). A Tool to Achieve Correct and Precise Measurements for Oral Implant Planning and Simulation. In: 2009 IEEE International Workshop Medical Measurements and Applications (MeMeA 2009) Proceedings. Cetraro, 29/05/ /05/2009IEEE Instrumentation & Measurement Society, p , ISBN/ISSN: CHIARELLI T., F. Franchini, A. Lamma, E. Lamma, T. Sansoni (2009). A 3D environment for oral implant planning and simulation. INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY, vol. 4; p. S217-S219, ISSN: PEANO Andrea Curriculum: Andrea Peano received a Computer Science and Engineering degree from University of Ferrara in Since January 2012 he is a PhD student at the Engineering Department in Ferrara. His studies lie on the combinatorial optimization and Constraint Programming fields. Mainly, he exploits the advantages of Constraint Logic Programming, Mixed Integer Linear Programming, Genetic Algorithms and other techniques to design new hybrid solving strategies. He applied such hybrid techniques to design and management of water distribution systems. For example, to tackle a water contamination management problem within a typical optimization-simulation paradigm, he improves a basic genetic algorithms with ad hoc MILP models obtaining a hybrid strategy. Results will be presented at the international conference EvoStar Pubblicazioni: M. Gavanelli, M. Nonato, PEANO A., S. Alvisi, M. Franchini (2012). Genetic Algorithms for Scheduling Devices Operation in a Water Distribution System in Response to Contamination Events. LECTURE NOTES IN COMPUTER SCIENCE, vol. 7245; p , ISSN: RIGUZZI Fabrizio Curriculum: Fabrizio Riguzzi obtained his laurea degree in Computer Engineering from the University of Bologna in 1995 with the thesis "Approaches for the Development of Knowledge-Based Systems for Classification" with Prof. Paola Mello as supervisor. In 1999 he obtained his PhD degree in Electronic and Computer Engineering from the University of Bologna with the dissertation "Extensions of Logic Programming as Representation Languages for Machine Learning", with Prof. Maurelio Boari as supervisor. Since the 1st of November 1999 is a Researcher at the Engineering Faculty of the University of Ferrara. The research activity of Fabrizio Riguzzi has focused on the field of artificial intelligence. In such an area, he has worked on various aspects of machine learning: 1) learning probabilistic logic programs, 2) learning abductive logic programs, 3) learning extended logic programs, 4) process mining, 5) learning from large datasets,

18 6) learning Bayesian networks, 7) genetic algorithms for belief revision, 8) discovery of association rules from microbiological data. He is the author of more than 100 peer reviewed papers. He was involved in four european projects, a number of local and national projects and various industrial projects. He was awarded a Young Researcher fellowship by the University of Ferrara for the research "Application of Machine Learning Techniques to Multi-Relational Databases". He is program chair with Filip Zelezny of the 22th International Conference on Inductive Logic Programming. He organized, together with Marco Gavanelli, the Convegno Italiano di Logica Computazionale He was a member of the program committee of ECML/PKDD2011, IJCAI2011, AI*IA2011, MCP2011, CILC2011, RCRA2011, CISIS2011 RCRA2010, CILC2010, IDA2010, IDA2009, CILC2008, RCRA2008, RCRA2006, RCRA2005, Workshop su Apprendimento Automatico: Metodi e Applicazioni, AI*IA He was a member of the organizing committee of the Sixth Conference of the Italian Association for Artificial Intelligence held in Bologna in He was program co-chair with Prof. Giorgio Casadei and Prof. Lorenza Saitta of the Workshop on Artificial Intelligence and Teaching held in 1999 during the Sixth Conference of the Italian Association for Artificial Intelligence. He cooperated with Prof. Terrance Swift and Luis Moniz Pereira of the Centro de Inteligencia Artificial of the New University of Lisbon and with Prof. Anotnis Kakas of the Computer Science Department of the University of Cyprus. He was a reviewer for the journals: Machine Learning, Theory and Practice of Logic Programming, Annals of Mathematics and Aritificial Intelligence, Studia Logica, Computational Intelligence, LNCS Transactions on Petri Nets and Other Models of Concurrency, Annals of Software Engineering, AI Communications, Fundamentae Informaticae, Simulation Modelling Practice and Theory and Intelligenza Artificiale. He was a reviewer for the conferences: International Conference on Inductive Logic Programming, International Conference on Logic Programming, European Conference on Logics in Artificial Intelligence, International Symposium on Practical Aspects of Declarative Languages, International Symposium on Methodologies for Intelligent Systems, International Conference on Logic Programming and Nonmonotonic Reasoning, International Joint Conference on Autonomous Agents and Multiagent Systems, International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems, European Conference on Logics in Artificial Intelligence, Congresso dell'associazione Italiana per l'intelligenza Artificiale, Congresso Appia-Gulp-Prode, Convegno Italiano di Logica Computazionale, Mexican International Conference on Artificial Intelligence, International Conference on Integration of AI and OR Techniques in Constraint Programming for Combinatorial Optimization Problems, International Conference on Computational Aspects of Social Networks. Pubblicazioni: M. Alberti, M. Gavanelli, E. Lamma, RIGUZZI F., S. Storari (2011). Learning specifications of interaction protocols and business processes and proving their properties. INTELLIGENZA ARTIFICIALE, vol. 5; p , ISSN: , doi: /IA M. Gavanelli, RIGUZZI F., M. Milano, D. Sottara, A. Cangini, P. Cagnoli (2011). An Application of Fuzzy Logic to Strategic Environmental Assessment. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. 6934; p , ISSN: RIGUZZI F., T. Swift (2011). The PITA System: Tabling and Answer Subsumption for Reasoning under Uncertainty. THEORY AND PRACTICE OF LOGIC PROGRAMMING, vol. 11 (4-5); p , ISSN: S. Bragaglia, RIGUZZI F. (2011). Approximate Inference for Logic Programs with Annotated Disjunctions. LECTURE NOTES IN COMPUTER SCIENCE, vol. 6489; p , ISSN: E. Bellodi, RIGUZZI F., E. Lamma (2010). Probabilistic Declarative Process Mining. LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, vol. Vol. 6291; p , ISSN: M. Gavanelli, RIGUZZI F., A. Pettorossi (2010). Special Issue on the Italian Conference on Computational Logic: CILC Preface. FUNDAMENTA INFORMATICAE, vol. 105; p. v-vi, ISSN: M. Gavanelli, RIGUZZI F., M. Milano, P. Cagnoli (2010). Logic-Based Decision Support for Strategic Environmental Assessment. THEORY AND PRACTICE OF LOGIC PROGRAMMING, vol. 10; p , ISSN: RIGUZZI F. (2010). SLGAD Resolution for Inference on Logic Programs with Annotated Disjunctions. FUNDAMENTA INFORMATICAE, vol. 102; p , ISSN: , doi: /FI F. Chesani, E. Lamma, P. Mello, M. Montali, RIGUZZI F., S. Storari (2009). Exploiting inductive logic programming techniques for declarative process mining. LECTURE NOTES IN COMPUTER SCIENCE, vol. 5460; p , ISSN: , doi: / _1 RIGUZZI F. (2009). Extended Semantics and Inference for the Independent Choice Logic. LOGIC JOURNAL OF THE IGPL, vol. 17; p , ISSN: , doi: /jigpal/jzp025 S. Storari, RIGUZZI F., E. Lamma (2009). Exploiting Association and Correlation Rules Parameters for Learning Bayesian Networks. INTELLIGENT DATA ANALYSIS, vol. 13; p , ISSN: X, doi: /IDA E. LAMMA, P. MELLO, RIGUZZI F., S. STORARI (2008). Applying Inductive Logic Programming to Process Mining. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4894; p , ISSN: RIGUZZI F. (2008). ALLPAD: Approximate learning of logic programs with annotated disjunctions. MACHINE LEARNING, vol. 70; p , ISSN: , doi: /s RIGUZZI F. (2008). Inference with logic programs with annotated disjunctions under the well founded semantics. LECTURE NOTES IN COMPUTER SCIENCE, vol. 5366; p , ISSN: E. LAMMA, P. MELLO, M. MONTALI, RIGUZZI F., S. STORARI (2007). Inducing Declarative Logic-Based Models from Labeled Traces. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4714; p , ISSN: RIGUZZI F. (2007). A Top Down Interpreter for LPAD and CP-logic. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4733; p , ISSN: RIGUZZI F. (2007). ALLPAD: Approximate learning of logic programs with annotated disjunctions. LECTURE NOTES IN COMPUTER SCIENCE, vol. 4455; p , ISSN: LAMMA E., MELLO P, NANETTI A, RIGUZZI F., STORARI S, VALASTRO G (2006). Artificial intelligence techniques for monitoring dangerous infections. IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, vol. 10; p , ISSN: , doi: /TITB GAMBERONI G., LAMMA E, RIGUZZI F., STORARI S, VOLINIA S (2005). Bayesian networks learning for gene expression datasets. LECTURE NOTES IN COMPUTER SCIENCE, vol. 3646; p , ISSN: RIGUZZI F. (2005). A Comparison of ILP Systems on the Sisyphus Dataset. INTELLIGENZA ARTIFICIALE, vol. Anno II; p , ISSN: LAMMA E., MELLO P., RIGUZZI F. (2004). A system for measuring function points from an ER-DFD specification. COMPUTER JOURNAL, vol. 47; p , ISSN: , doi: /comjnl/ RIGUZZI F. (2004). Learning Logic Programs with Annotated Disjunctions. LECTURE NOTES IN COMPUTER SCIENCE, vol. 3194; p , ISSN: RIGUZZI F., STORARI S (2004). La sedicesima conferenza europea di intelligenza artificiale (ECAI). INTELLIGENZA ARTIFICIALE, vol. Anno I; p , ISSN: LAMMA E., RIGUZZI F., PEREIRA L. M. (2003). Belief revision via Lamarckian evolution. NEW GENERATION COMPUTING, vol. 21; p , ISSN: , doi: /BF LAMMA E., RIGUZZI F., STAMBAZZI A., STORARI S. (2003). Improving the SLA algorithm using Association rules. LECTURE NOTES IN COMPUTER SCIENCE, vol. 2829; p , ISSN: LAMMA E., RIGUZZI F., STORARI S., MELLO P., NANETTI A. (2003). Discovering Validation Rules from Microbiological Data. NEW GENERATION COMPUTING, vol. 21; p , ISSN: , doi: /BF CUCCHIARA R, MELLO P, PICCARDI M, RIGUZZI F. (2001). An application of machine learning and statistics to defect detection. INTELLIGENT DATA ANALYSIS, vol. 5; p , ISSN: X LAMMA E, MELLO P, NANETTI A, POLI G, RIGUZZI F., STORARI S (2001). An Expert System for Microbiological Data Validation and Surveillance. LECTURE NOTES IN COMPUTER SCIENCE, vol. 2199; p , ISSN: LAMMA E, RIGUZZI F., PEREIRA L. M (2001). Belief Revision by Lamarckian Evolution. LECTURE NOTES IN COMPUTER SCIENCE, vol. 2037; p , ISSN: LAMMA E., MAESTRAMI L., MELLO P., RIGUZZI F., STORARI S. (2001). Rule-based Programming for Building Expert Systems: a Comparison in the Microbiological Data Validation and Surveillance Domain. ELECTRONIC NOTES IN THEORETICAL COMPUTER SCIENCE, vol. 59; p , ISSN: , doi: /S (04)

Ministero della Salute Direzione Generale della Ricerca Scientifica e Tecnologica Bando Giovani Ricercatori - 2007 FULL PROJECT FORM

Ministero della Salute Direzione Generale della Ricerca Scientifica e Tecnologica Bando Giovani Ricercatori - 2007 FULL PROJECT FORM ALLEGATO 2 FULL PROJECT FORM FORM 1 FORM 1 General information about the project PROJECT SCIENTIFIC COORDINATOR TITLE OF THE PROJECT (max 90 characters) TOTAL BUDGET OF THE PROJECT FUNDING REQUIRED TO

Dettagli

Process mining & Optimization Un approccio matematico al problema

Process mining & Optimization Un approccio matematico al problema Res User Meeting 2014 con la partecipazione di Scriviamo insieme il futuro Paolo Ferrandi Responsabile Tecnico Research for Enterprise Systems Federico Bonelli Engineer Process mining & Optimization Un

Dettagli

Data Alignment and (Geo)Referencing (sometimes Registration process)

Data Alignment and (Geo)Referencing (sometimes Registration process) Data Alignment and (Geo)Referencing (sometimes Registration process) All data aquired from a scan position are refered to an intrinsic reference system (even if more than one scan has been performed) Data

Dettagli

APPLICATION FORM 1. YOUR MOTIVATION/ LA TUA MOTIVAZIONE

APPLICATION FORM 1. YOUR MOTIVATION/ LA TUA MOTIVAZIONE APPLICATION FORM Thank you for your interest in our project. We would like to understand better your motivation in taking part in this specific project. So please, read carefully the form, answer the questions

Dettagli

Business Process Management

Business Process Management Business Process Management Come si organizza un progetto di BPM 1 INDICE Organizzazione di un progetto di Business Process Management Tipo di intervento Struttura del progetto BPM Process Performance

Dettagli

IT Service Management, le best practice per la gestione dei servizi

IT Service Management, le best practice per la gestione dei servizi Il Framework ITIL e gli Standard di PMI : : possibili sinergie Milano, Venerdì, 11 Luglio 2008 IT Service Management, le best practice per la gestione dei servizi Maxime Sottini Slide 1 Agenda Introduzione

Dettagli

di4g: Uno strumento di clustering per l analisi integrata di dati geologici

di4g: Uno strumento di clustering per l analisi integrata di dati geologici di4g: Uno strumento di clustering per l analisi integrata di dati geologici Alice Piva 1, Giacomo Gamberoni 1, Denis Ferraretti 1, Evelina Lamma 2 1 intelliware snc, via J.F.Kennedy 15, 44122 Ferrara,

Dettagli

CMMI-Dev V1.3. Capability Maturity Model Integration for Software Development, Version 1.3. Roma, 2012 Ercole Colonese

CMMI-Dev V1.3. Capability Maturity Model Integration for Software Development, Version 1.3. Roma, 2012 Ercole Colonese CMMI-Dev V1.3 Capability Maturity Model Integration for Software Development, Version 1.3 Roma, 2012 Agenda Che cos è il CMMI Costellazione di modelli Approccio staged e continuous Aree di processo Goals

Dettagli

Sistemi di gestione dei dati e dei processi aziendali. Information Technology General Controls

Sistemi di gestione dei dati e dei processi aziendali. Information Technology General Controls Information Technology General Controls Indice degli argomenti Introduzione agli ITGC ITGC e altre componenti del COSO Framework Sviluppo e manutenzione degli applicativi Gestione operativa delle infrastrutture

Dettagli

Informazioni su questo libro

Informazioni su questo libro Informazioni su questo libro Si tratta della copia digitale di un libro che per generazioni è stato conservata negli scaffali di una biblioteca prima di essere digitalizzato da Google nell ambito del progetto

Dettagli

Process automation Grazie a oltre trent anni di presenza nel settore e all esperienza maturata in ambito nazionale e internazionale, Elsag Datamat ha acquisito un profondo know-how dei processi industriali,

Dettagli

LA TECHNOLOGY TRANSFER PRESENTA SUZANNE ROBERTSON MASTERING THE REQUIREMENTS PROCESS COME COSTRUIRE IL SISTEMA CHE IL VOSTRO UTENTE DESIDERA

LA TECHNOLOGY TRANSFER PRESENTA SUZANNE ROBERTSON MASTERING THE REQUIREMENTS PROCESS COME COSTRUIRE IL SISTEMA CHE IL VOSTRO UTENTE DESIDERA LA TECHNOLOGY TRANSFER PRESENTA SUZANNE ROBERTSON MASTERING THE REQUIREMENTS PROCESS COME COSTRUIRE IL SISTEMA CHE IL VOSTRO UTENTE DESIDERA ROMA 20-22 OTTOBRE 2014 RESIDENZA DI RIPETTA - VIA DI RIPETTA,

Dettagli

Intalio. Leader nei Sistemi Open Source per il Business Process Management. Andrea Calcagno Amministratore Delegato

Intalio. Leader nei Sistemi Open Source per il Business Process Management. Andrea Calcagno Amministratore Delegato Intalio Convegno Open Source per la Pubblica Amministrazione Leader nei Sistemi Open Source per il Business Process Management Navacchio 4 Dicembre 2008 Andrea Calcagno Amministratore Delegato 20081129-1

Dettagli

Editoriale VALUTAZIONE PER L E.C.M.: ANALISI DEI QUESTIONARI DI GRADIMENTO

Editoriale VALUTAZIONE PER L E.C.M.: ANALISI DEI QUESTIONARI DI GRADIMENTO Lo Spallanzani (2007) 21: 5-10 C. Beggi e Al. Editoriale VALUTAZIONE PER L E.C.M.: ANALISI DEI QUESTIONARI DI GRADIMENTO IL GRADIMENTO DEI DISCENTI, INDICATORE DI SODDISFAZIONE DELLE ATTIVITÀ FORMATIVE

Dettagli

Curriculum Vitae di ENRICO NARDELLI

Curriculum Vitae di ENRICO NARDELLI Curriculum Vitae di ENRICO NARDELLI (Versione Abbreviata) Ultimo Aggiornamento: 24 Febbraio 2011 1 Posizioni Enrico Nardelli si è laureato nel 1983 in Ingegneria Elettronica (110/110 con lode) presso l

Dettagli

MODULO DI ISCRIZIONE - ENROLMENT FORM

MODULO DI ISCRIZIONE - ENROLMENT FORM Under the Patronage of Comune di Portofino Regione Liguria 1ST INTERNATIONAL OPERA SINGING COMPETITION OF PORTOFINO from 27th to 31st July 2015 MODULO DI ISCRIZIONE - ENROLMENT FORM Direzione artistica

Dettagli

Narrare i gruppi. Rivista semestrale pubblicata on-line dal 2006 Indirizzo web: www.narrareigruppi.it - Direttore responsabile: Giuseppe Licari

Narrare i gruppi. Rivista semestrale pubblicata on-line dal 2006 Indirizzo web: www.narrareigruppi.it - Direttore responsabile: Giuseppe Licari Narrare i gruppi Etnografia dell interazione quotidiana Prospettive cliniche e sociali ISSN: 2281-8960 Narrare i gruppi. Etnografia dell'interazione quotidiana. Prospettive cliniche e sociali è una Rivista

Dettagli

Università di Camerino

Università di Camerino Università di Camerino FONDO DI ATENEO PER LA RICERCA Bando per il finanziamento di Progetti di Ricerca di Ateneo Anno 2014-2015 1. Oggetto del bando L Università di Camerino intende sostenere e sviluppare,

Dettagli

General Taxonomy of Planology [Tassonomia generale della Planologia] (TAXOCODE) Reduced form [Forma ridotta] Classification Code for all sectors of

General Taxonomy of Planology [Tassonomia generale della Planologia] (TAXOCODE) Reduced form [Forma ridotta] Classification Code for all sectors of General Taxonomy of Planology [Tassonomia generale della Planologia] (TAXOCODE) Reduced form [Forma ridotta] Classification Code for all sectors of study and research according the Information System for

Dettagli

Informazioni generali: Ha conseguito il Diploma di maturità scientifica presso il Liceo Scientifico Statale "G.

Informazioni generali: Ha conseguito il Diploma di maturità scientifica presso il Liceo Scientifico Statale G. CURRICULUM VITAE ET STUDIORUM FRANCO FRATTOLILLO Informazioni generali: Ha conseguito il Diploma di maturità scientifica presso il Liceo Scientifico Statale "G. Rummo" di Benevento, con votazione 60/60.

Dettagli

2. Cos è una buona pratica

2. Cos è una buona pratica 2. Cos è una buona pratica Molteplici e differenti sono le accezioni di buona pratica che è possibile ritrovare in letteratura o ricavare da esperienze di osservatori nazionali e internazionali. L eterogeneità

Dettagli

Gi-Gi Art. 859 - User's Guide Istruzioni d'uso

Gi-Gi Art. 859 - User's Guide Istruzioni d'uso doc.4.12-06/03 Gi-Gi Art. 859 - User's Guide Istruzioni d'uso A belaying plate that can be used in many different conditions Una piastrina d'assicurazione che può essere utilizzata in condizioni diverse.

Dettagli

Proposition for a case-study identification process. 6/7 May 2008 Helsinki

Proposition for a case-study identification process. 6/7 May 2008 Helsinki Conférence des Régions Périphériques Maritimes d Europe Conference of Peripheral Maritime Regions of Europe ANALYSIS PARTICIPATION TO THE FP THROUGH A TERRITORIAL AND REGIONAL PERSPECTIVE MEETING WITH

Dettagli

COME FRODE. la possibilità propri dati. brevissimo. Reply www.reply.eu

COME FRODE. la possibilità propri dati. brevissimo. Reply www.reply.eu FRAUD MANAGEMENT. COME IDENTIFICARE E COMB BATTERE FRODI PRIMA CHE ACCADANO LE Con una visione sia sui processi di business, sia sui sistemi, Reply è pronta ad offrire soluzioni innovative di Fraud Management,

Dettagli

Il test valuta la capacità di pensare?

Il test valuta la capacità di pensare? Il test valuta la capacità di pensare? Per favore compili il seguente questionario senza farsi aiutare da altri. Cognome e Nome Data di Nascita / / Quanti anni scolastici ha frequentato? Maschio Femmina

Dettagli

1. Che cos è. 2. A che cosa serve

1. Che cos è. 2. A che cosa serve 1. Che cos è Il Supplemento al diploma è una certificazione integrativa del titolo ufficiale conseguito al termine di un corso di studi in una università o in un istituto di istruzione superiore corrisponde

Dettagli

Legame fra manutenzione e sicurezza. La PAS 55

Legame fra manutenzione e sicurezza. La PAS 55 Gestione della Manutenzione e compliance con gli standard di sicurezza: evoluzione verso l Asset Management secondo le linee guida della PAS 55, introduzione della normativa ISO 55000 Legame fra manutenzione

Dettagli

Virtualizzazione con Microsoft Tecnologie e Licensing

Virtualizzazione con Microsoft Tecnologie e Licensing Microsoft Virtualizzazione con Microsoft Tecnologie e Licensing Profile Redirezione dei documenti Offline files Server Presentation Management Desktop Windows Vista Enterprise Centralized Desktop Application

Dettagli

Il programma Interreg CENTRAL EUROPE

Il programma Interreg CENTRAL EUROPE Il primo bando del programma Interreg CENTRAL EUROPE, Verona, 20.02.2015 Il programma Interreg CENTRAL EUROPE Benedetta Pricolo, Punto di contatto nazionale, Regione del Veneto INFORMAZIONI DI BASE 246

Dettagli

Guida ai Parametri di negoziazione dei mercati regolamentati organizzati e gestiti da Borsa Italiana

Guida ai Parametri di negoziazione dei mercati regolamentati organizzati e gestiti da Borsa Italiana Guida ai Parametri di negoziazione dei mercati regolamentati organizzati e gestiti da Borsa Italiana Versione 04 1/28 INTRODUZIONE La Guida ai Parametri contiene la disciplina relativa ai limiti di variazione

Dettagli

L Health Technology Assessment: tutti ne parlano, non. conoscono. Marco Marchetti

L Health Technology Assessment: tutti ne parlano, non. conoscono. Marco Marchetti L Health Technology Assessment: tutti ne parlano, non tutti lo conoscono Marco Marchetti L Health Technology Assessment La valutazione delle tecnologie sanitarie, è la complessiva e sistematica valutazione

Dettagli

PMI. Management Maturity Model, OPM3 Second Edition 2008

PMI. Management Maturity Model, OPM3 Second Edition 2008 Nuovi standard PMI, certificazioni professionali e non solo Milano, 20 marzo 2009 PMI Organizational Project Management Maturity Model, OPM3 Second Edition 2008 Andrea Caccamese, PMP Prince2 Practitioner

Dettagli

Knowlab Un Sistema Computerizzato per la Valutazione Adattiva della Conoscenza e dell'apprendimento

Knowlab Un Sistema Computerizzato per la Valutazione Adattiva della Conoscenza e dell'apprendimento Knowlab Un Sistema Computerizzato per la Valutazione Adattiva della Conoscenza e dell'apprendimento Debora de Chiusole PhD Candidate deboratn@libero.it Università degli Studi di Padova Dipartimento FISPPA

Dettagli

Lo Standard EUCIP e le competenze per la Business Intelligence

Lo Standard EUCIP e le competenze per la Business Intelligence Lo Stard UCIP e le competenze per la Business Intelligence Competenze per l innovazione digitale Roberto Ferreri r.ferreri@aicanet.it Genova, 20 maggio 2008 0 AICA per lo sviluppo delle competenze digitali

Dettagli

Corso Base ITIL V3 2008

Corso Base ITIL V3 2008 Corso Base ITIL V3 2008 PROXYMA Contrà San Silvestro, 14 36100 Vicenza Tel. 0444 544522 Fax 0444 234400 Email: proxyma@proxyma.it L informazione come risorsa strategica Nelle aziende moderne l informazione

Dettagli

Presentazione per. «La governance dei progetti agili: esperienze a confronto»

Presentazione per. «La governance dei progetti agili: esperienze a confronto» Presentazione per «La governance dei progetti agili: esperienze a confronto» Pascal Jansen pascal.jansen@inspearit.com Evento «Agile Project Management» Firenze, 6 Marzo 2013 Agenda Due parole su inspearit

Dettagli

GIMBE Gruppo Italiano per la Medicina Basata sulle Evidenze

GIMBE Gruppo Italiano per la Medicina Basata sulle Evidenze GIMBE Gruppo Italiano per la Medicina Basata sulle Evidenze Evidence-Based Medicine Italian Group Workshop Evidence-based Medicine Le opportunità di un linguaggio comune Como, 9-11 maggio 2003 Sezione

Dettagli

La disseminazione dei progetti europei

La disseminazione dei progetti europei La disseminazione dei progetti europei Indice 1. La disseminazione nel 7PQ: un obbligo! 2. Comunicare nei progetti europei 3. Target audience e Key Message 4. Sviluppare un dissemination plan 5. Message

Dettagli

LA VIOLENZA NEI LUOGHI DI LAVORO. CLAUDIO CORTESI cld.cortesi@gmail.com

LA VIOLENZA NEI LUOGHI DI LAVORO. CLAUDIO CORTESI cld.cortesi@gmail.com LA VIOLENZA NEI LUOGHI DI LAVORO CLAUDIO CORTESI cld.cortesi@gmail.com VIOLENZE NEI LUOGHI DI LAVORO: COSA SONO? any action, incident or behaviour, that departs from reasonable conduct in which a person

Dettagli

La validazione dei risultati degli apprendimenti non formali e informali in pratica 12

La validazione dei risultati degli apprendimenti non formali e informali in pratica 12 La validazione dei risultati degli apprendimenti non formali e informali in pratica 12 Questo capitolo descrive: A. Le scelte e i passaggi per sviluppare dispositivi per la validazione dei risultati dell

Dettagli

Managed Services e Unified Communication & Collaboration: verso il paradigma del Cloud Computing

Managed Services e Unified Communication & Collaboration: verso il paradigma del Cloud Computing Managed Services e Unified Communication & Collaboration: verso il paradigma del Cloud Computing Claudio Chiarenza (General Manager and Chief Strategy Officer) Italtel, Italtel logo and imss (Italtel Multi-Service

Dettagli

E INNOVAZIONE EFFICIENZA AND INNOVATION EFFICIENCY PER CRESCERE IN EDEFFICACIA TO GROW IN AND EFFECTIVENESS

E INNOVAZIONE EFFICIENZA AND INNOVATION EFFICIENCY PER CRESCERE IN EDEFFICACIA TO GROW IN AND EFFECTIVENESS Una società certificata di qualità UNI EN ISO 9001-2000 per: Progettazione ed erogazione di servizi di consulenza per l accesso ai programmi di finanziamento europei, nazionali e regionali. FIT Consulting

Dettagli

group HIGH CURRENT MULTIPLEX NODE

group HIGH CURRENT MULTIPLEX NODE HIGH CURRENT MULTIPLEX NODE edizione/edition 04-2010 HIGH CURRENT MULTIPLEX NODE DESCRIZIONE GENERALE GENERAL DESCRIPTION L'unità di controllo COBO è una centralina elettronica Multiplex Slave ; la sua

Dettagli

PerformAzioni International Workshop Festival 22nd February 3rd May 2013 LIV Performing Arts Centre Bologna, Italy APPLICATION FORM AND BANK DETAILS

PerformAzioni International Workshop Festival 22nd February 3rd May 2013 LIV Performing Arts Centre Bologna, Italy APPLICATION FORM AND BANK DETAILS PerformAzioni International Workshop Festival 22nd February 3rd May 2013 LIV Performing Arts Centre Bologna, Italy APPLICATION FORM AND BANK DETAILS La domanda di partecipazione deve essere compilata e

Dettagli

Progettare Qualità di Vita nell ambito delle Disabilità Intellettive ed Evolutive:

Progettare Qualità di Vita nell ambito delle Disabilità Intellettive ed Evolutive: Progettare Qualità di Vita nell ambito delle Disabilità Intellettive ed Evolutive: Dai diritti alla costruzione di un sistema di sostegni orientato al miglioramento della Qualità di Vita A cura di: Luigi

Dettagli

Presentazioni multimediali relative al senso del tatto DIMENSIONI LIVELLO INIZIALE LIVELLO INTERMEDIO LIVELLO AVANZATO

Presentazioni multimediali relative al senso del tatto DIMENSIONI LIVELLO INIZIALE LIVELLO INTERMEDIO LIVELLO AVANZATO PERCORSO DI INSEGNAMENTO/APPRENDIMENTO TIPO DI UdP: SEMPLICE (monodisciplinare) ARTICOLATO (pluridisciplinare) Progetto didattico N. 1 Titolo : Let s investigate the world with our touch! Durata: Annuale

Dettagli

Processi ITIL. In collaborazione con il nostro partner:

Processi ITIL. In collaborazione con il nostro partner: Processi ITIL In collaborazione con il nostro partner: NetEye e OTRS: la piattaforma WÜRTHPHOENIX NetEye è un pacchetto di applicazioni Open Source volto al monitoraggio delle infrastrutture informatiche.

Dettagli

LE NOVITÀ DELL EDIZIONE 2011 DELLO STANDARD ISO/IEC 20000-1 E LE CORRELAZIONI CON IL FRAMEWORK ITIL

LE NOVITÀ DELL EDIZIONE 2011 DELLO STANDARD ISO/IEC 20000-1 E LE CORRELAZIONI CON IL FRAMEWORK ITIL Care Colleghe, Cari Colleghi, prosegue la nuova serie di Newsletter legata agli Schemi di Certificazione di AICQ SICEV. Questa volta la pillola formativa si riferisce alle novità dell edizione 2011 dello

Dettagli

STS. Profilo della società

STS. Profilo della società STS Profilo della società STS, Your ICT Partner Con un solido background accademico, regolari confronti con il mondo della ricerca ed esperienza sia nel settore pubblico che privato, STS è da oltre 20

Dettagli

Mario Sbriccoli, Ercole Sori. Alberto Grohmann, Giacomina Nenci, UNIVERSITÀ DEGLI STUDI DELLA REPUBBLICA DI SAN MARINO CENTRO SAMMARINESE

Mario Sbriccoli, Ercole Sori. Alberto Grohmann, Giacomina Nenci, UNIVERSITÀ DEGLI STUDI DELLA REPUBBLICA DI SAN MARINO CENTRO SAMMARINESE copertina univ. 21 11-04-2005 16:30 Pagina 1 A State and its history in the volumes 1-20 (1993-1999) of the San Marino Center for Historical Studies The San Marino Centre for Historical Studies came into

Dettagli

3. LO STAGE INTERNAZIONALE

3. LO STAGE INTERNAZIONALE 3. LO STAGE INTERNAZIONALE 3.1. IL CONCETTO La formazione professionale deve essere considerata un mezzo per fornire ai giovani la conoscenza teorica e pratica richiesta per rispondere in maniera flessibile

Dettagli

Il Form C cartaceo ed elettronico

Il Form C cartaceo ed elettronico Il Form C cartaceo ed elettronico Giusy Lo Grasso Roma, 9 luglio 2012 Reporting DURANTE IL PROGETTO VENGONO RICHIESTI PERIODIC REPORT entro 60 giorni dalla fine del periodo indicato all Art 4 del GA DELIVERABLES

Dettagli

Official Announcement Codice Italia Academy

Official Announcement Codice Italia Academy a c a d e m y Official Announcement Codice Italia Academy INITIATIVES FOR THE BIENNALE ARTE 2015 PROMOTED BY THE MIBACT DIREZIONE GENERALE ARTE E ARCHITETTURA CONTEMPORANEE E PERIFERIE URBANE cured by

Dettagli

Villa Favorita via Zuccarini 15 60131 Ancona tel. 071 2137011 fax 071 2901017 fax 071 2900953 informa@istao.it www.istao.it

Villa Favorita via Zuccarini 15 60131 Ancona tel. 071 2137011 fax 071 2901017 fax 071 2900953 informa@istao.it www.istao.it Master in 2013 10a edizione 18 febbraio 2013 MANAGEMENT internazionale Villa Favorita via Zuccarini 15 60131 Ancona tel. 071 2137011 fax 071 2901017 fax 071 2900953 informa@istao.it www.istao.it Durata

Dettagli

IL PROGETTO MINDSH@RE

IL PROGETTO MINDSH@RE IL PROGETTO MINDSH@RE Gruppo Finmeccanica Attilio Di Giovanni V.P.Technology Innovation & IP Mngt L'innovazione e la Ricerca sono due dei punti di eccellenza di Finmeccanica. Lo scorso anno il Gruppo ha

Dettagli

Profilo Aziendale ISO 9001: 2008. METISOFT spa - p.iva 00702470675 - www.metisoft.it - info@metisoft.it

Profilo Aziendale ISO 9001: 2008. METISOFT spa - p.iva 00702470675 - www.metisoft.it - info@metisoft.it ISO 9001: 2008 Profilo Aziendale METISOFT spa - p.iva 00702470675 - www.metisoft.it - info@metisoft.it Sede legale: * Viale Brodolini, 117-60044 - Fabriano (AN) - Tel. 0732.251856 Sede amministrativa:

Dettagli

JUMP INTO THE PSS WORLD AND ENJOY THE DIVE EVOLUTION

JUMP INTO THE PSS WORLD AND ENJOY THE DIVE EVOLUTION JUMP INTO THE PSS WORLD AND ENJOY THE DIVE EVOLUTION PSS Worldwide is one of the most important diver training agencies in the world. It was created thanks to the passion of a few dedicated diving instructors

Dettagli

SHORT MASTER: FROM ZERO TO HERO Dal project management al business modeling. settembre dicembre 2014 OBIETTIVI

SHORT MASTER: FROM ZERO TO HERO Dal project management al business modeling. settembre dicembre 2014 OBIETTIVI Organizzato da Impact Hub Rovereto in collaborazione con TrentunoTre con la supervisione scientifica di ISIPM SHORT MASTER: FROM ZERO TO HERO Dal project management al business modeling settembre dicembre

Dettagli

Milano, Settembre 2009 BIOSS Consulting

Milano, Settembre 2009 BIOSS Consulting Milano, Settembre 2009 BIOSS Consulting Presentazione della società Agenda Chi siamo 3 Cosa facciamo 4-13 San Donato Milanese, 26 maggio 2008 Come lo facciamo 14-20 Case Studies 21-28 Prodotti utilizzati

Dettagli

HTA: PRINCIPI, LOGICHE OPERATIVE ED ESPERIENZE. Cosa è l HTA?

HTA: PRINCIPI, LOGICHE OPERATIVE ED ESPERIENZE. Cosa è l HTA? HTA: PRINCIPI, LOGICHE OPERATIVE ED ESPERIENZE Cosa è l HTA? Marco Marchetti Unità di Valutazione delle Tecnologie Policlinico Universitario "Agostino Gemelli Università Cattolica del Sacro Cuore L Health

Dettagli

e-spare Parts User Manual Peg Perego Service Site Peg Perego [Dicembre 2011]

e-spare Parts User Manual Peg Perego Service Site Peg Perego [Dicembre 2011] Peg Perego Service Site Peg Perego [Dicembre 2011] 2 Esegui il login: ecco la nuova Home page per il portale servizi. Log in: welcome to the new Peg Perego Service site. Scegli il servizio selezionando

Dettagli

ITIL v3, il nuovo framework per l ITSM

ITIL v3, il nuovo framework per l ITSM ITIL v3, il nuovo framework per l ITSM ( a cura di Stefania Renna ITIL - IBM) Pag. 1 Alcune immagini contenute in questo documento fanno riferimento a documentazione prodotta da ITIL Intl che ne detiene

Dettagli

Il business risk reporting: lo. gestione continua dei rischi

Il business risk reporting: lo. gestione continua dei rischi 18 ottobre 2012 Il business risk reporting: lo strumento essenziale per la gestione continua dei rischi Stefano Oddone, EPM Sales Consulting Senior Manager di Oracle 1 AGENDA L importanza di misurare Business

Dettagli

La collaborazione come strumento per l'innovazione.

La collaborazione come strumento per l'innovazione. La collaborazione come strumento per l'innovazione. Gabriele Peroni Manager of IBM Integrated Communication Services 1 La collaborazione come strumento per l'innovazione. I Drivers del Cambiamento: Le

Dettagli

Teoria della misurazione e misurabilità di grandezze non fisiche

Teoria della misurazione e misurabilità di grandezze non fisiche Teoria della misurazione e misurabilità di grandezze non fisiche Versione 12.6.05 Teoria della misurazione e misurabilità di grandezze non fisiche 1 Il contesto del discorso (dalla lezione introduttiva)

Dettagli

Indicizzazione terza parte e modello booleano

Indicizzazione terza parte e modello booleano Reperimento dell informazione (IR) - aa 2014-2015 Indicizzazione terza parte e modello booleano Gruppo di ricerca su Sistemi di Gestione delle Informazioni (IMS) Dipartimento di Ingegneria dell Informazione

Dettagli

NEUROSCIENZE EEDUCAZIONE

NEUROSCIENZE EEDUCAZIONE NEUROSCIENZE EEDUCAZIONE AUDIZIONE PRESSO UFFICIO DI PRESIDENZA 7ª COMMISSIONE (Istruzione) SULL'AFFARE ASSEGNATO DISABILITÀ NELLA SCUOLA E CONTINUITÀ DIDATTICA DEGLI INSEGNANTI DI SOSTEGNO (ATTO N. 304)

Dettagli

BUSINESS INTELLIGENCE & PERFORMANCE MANAGEMENT

BUSINESS INTELLIGENCE & PERFORMANCE MANAGEMENT BUSINESS INTELLIGENCE & PERFORMANCE MANAGEMENT BOLOGNA BUSINESS school Dal 1088, studenti da tutto il mondo vengono a studiare a Bologna dove scienza, cultura e tecnologia si uniscono a valori, stile di

Dettagli

IBM Cloud Computing - esperienze e servizi seconda parte

IBM Cloud Computing - esperienze e servizi seconda parte IBM Cloud Computing - esperienze e servizi seconda parte Mariano Ammirabile Cloud Computing Sales Leader - aprile 2011 2011 IBM Corporation Evoluzione dei modelli di computing negli anni Cloud Client-Server

Dettagli

Oncologici: Iniziative e sostenibilità della Regione. Valeria Fadda Unità di HTA di ESTAV centro, Regione Toscana

Oncologici: Iniziative e sostenibilità della Regione. Valeria Fadda Unità di HTA di ESTAV centro, Regione Toscana Oncologici: Iniziative e sostenibilità della Regione Valeria Fadda Unità di HTA di ESTAV centro, Regione Toscana 2.760.000.000 Euro 14.4% della spesa farmaceutica 32.8% della spesa farmaceutica ospedaliera

Dettagli

MS OFFICE COMMUNICATIONS SERVER 2007 IMPLEMENTING AND MAINTAINING AUDIO/VISUAL CONFERENCING AND WEB CONFERENCING

MS OFFICE COMMUNICATIONS SERVER 2007 IMPLEMENTING AND MAINTAINING AUDIO/VISUAL CONFERENCING AND WEB CONFERENCING MS OFFICE COMMUNICATIONS SERVER 2007 IMPLEMENTING AND MAINTAINING AUDIO/VISUAL CONFERENCING AND WEB CONFERENCING UN BUON MOTIVO PER [cod. E603] L obiettivo del corso è fornire le competenze e conoscenze

Dettagli

Rilascio dei Permessi Volo

Rilascio dei Permessi Volo R E P U B L I C O F S A N M A R I N O C I V I L A V I A T I O N A U T H O R I T Y SAN MARINO CIVIL AVIATION REGULATION Rilascio dei Permessi Volo SM-CAR PART 5 Approvazione: Ing. Marco Conti official of

Dettagli

9 Forum Risk Management in Sanità. Progetto e Health. Arezzo, 27 novembre 2014

9 Forum Risk Management in Sanità. Progetto e Health. Arezzo, 27 novembre 2014 9 Forum Risk Management in Sanità Tavolo interassociativo Assinform Progetto e Health Arezzo, 27 novembre 2014 1 Megatrend di mercato per una Sanità digitale Cloud Social Mobile health Big data IoT Fonte:

Dettagli

Ragazzi vietnamiti: (VIET L ANIMA HCM USSH) CLASSE 5 C: (21 TORTELLINI) 1. Trần Yến Ngọc 2. Nguyễn Ngọc Bách Châu AUTORI PROGETTO:

Ragazzi vietnamiti: (VIET L ANIMA HCM USSH) CLASSE 5 C: (21 TORTELLINI) 1. Trần Yến Ngọc 2. Nguyễn Ngọc Bách Châu AUTORI PROGETTO: Due mondi, due culture, due storie che si incontrano per dare vita a qualcosa di unico: la scoperta di ciò che ci rende unici ma fratelli. Per andare insieme verso EXPO 2015 Tutt altra storia Il viaggio

Dettagli

Zeroshell come client OpenVPN

Zeroshell come client OpenVPN Zeroshell come client OpenVPN (di un server OpenVpn Linux) Le funzionalità di stabilire connessioni VPN di Zeroshell vede come scenario solito Zeroshell sia come client sia come server e per scelta architetturale,

Dettagli

F O R M A T O E U R O P E O

F O R M A T O E U R O P E O F O R M A T O E U R O P E O P E R I L C U R R I C U L U M V I T A E INFORMAZIONI PERSONALI Nome Indirizzo Laura Bacci, PMP Via Tezze, 36 46100 MANTOVA Telefono (+39) 348 6947997 Fax (+39) 0376 1810801

Dettagli

Istruzione N. Versione. Ultima. modifica. Funzione. Data 18/12/2009. Firma. Approvato da: ASSEMBLAGGIO COLLAUDO TRAINING IMBALLO. service 07.

Istruzione N. Versione. Ultima. modifica. Funzione. Data 18/12/2009. Firma. Approvato da: ASSEMBLAGGIO COLLAUDO TRAINING IMBALLO. service 07. Istruzione N 62 Data creazione 18/ 12/2009 Versione N 00 Ultima modifica TIPO ISTRUZIONE ASSEMBLAGGIO COLLAUDO TRAINING MODIFICA TEST FUNZIONALE RIPARAZIONE/SOSTITUZIONE IMBALLO TITOLO DELL ISTRUZIONE

Dettagli

UNIVERSITÀ DEGLI STUDI DI BRESCIA

UNIVERSITÀ DEGLI STUDI DI BRESCIA Bando di ammissione al Master di II livello in BIM-BASED CONSTRUCTION PROJECT MANAGEMENT (VISUAL PM) ANNO ACCADEMICO 2014/2015 Ai sensi del comma 9 dell art. 7 del D.M. 270/99 e del Regolamento d Ateneo

Dettagli

Rational Unified Process Introduzione

Rational Unified Process Introduzione Rational Unified Process Introduzione G.Raiss - A.Apolloni - 4 maggio 2001 1 Cosa è E un processo di sviluppo definito da Booch, Rumbaugh, Jacobson (autori dell Unified Modeling Language). Il RUP è un

Dettagli

Catalogo Trattamento dell Aria - Collezione 2009

Catalogo Trattamento dell Aria - Collezione 2009 Catalogo Trattamento dell Aria - Collezione 2009 SECCOTECH & S 8 SeccoTech & Secco Tecnologia al servizio della deumidificazione Technology at dehumidification's service Potenti ed armoniosi Seccotech

Dettagli

Per far sviluppare appieno la

Per far sviluppare appieno la 2008;25 (4): 30-32 30 Maria Benetton, Gian Domenico Giusti, Comitato Direttivo Aniarti Scrivere per una rivista. Suggerimenti per presentare un articolo scientifico Riassunto Obiettivo: il principale obiettivo

Dettagli

INFRASTRUCTURE LICENSING WINDOWS SERVER. Microsoft licensing in ambienti virtualizzati. Acronimi

INFRASTRUCTURE LICENSING WINDOWS SERVER. Microsoft licensing in ambienti virtualizzati. Acronimi Microsoft licensing in ambienti virtualizzati Luca De Angelis Product marketing manager Luca.deangelis@microsoft.com Acronimi E Operating System Environment ML Management License CAL Client Access License

Dettagli

Progettare, sviluppare e gestire seguendo la Think it easy philosophy

Progettare, sviluppare e gestire seguendo la Think it easy philosophy Progettare, sviluppare e gestire seguendo la Think it easy philosophy CST Consulting è una azienda di Consulenza IT, System Integration & Technology e Servizi alle Imprese di respiro internazionale. E

Dettagli

Lezione 20: Strutture di controllo di robot. avanzati

Lezione 20: Strutture di controllo di robot. avanzati Robotica Mobile Lezione 20: Strutture di controllo di robot Come costruire un architettura BARCS L architettura BARCS Behavioural Architecture Robot Control System Strategie Strategie Obiettivi Obiettivi

Dettagli

L OPPORTUNITÀ DEL RECUPERO DI EFFICIENZA OPERATIVA PUÒ NASCONDERSI NEI DATI DELLA TUA AZIENDA?

L OPPORTUNITÀ DEL RECUPERO DI EFFICIENZA OPERATIVA PUÒ NASCONDERSI NEI DATI DELLA TUA AZIENDA? OSSERVATORIO IT GOVERNANCE L OPPORTUNITÀ DEL RECUPERO DI EFFICIENZA OPERATIVA PUÒ NASCONDERSI NEI DATI DELLA TUA AZIENDA? A cura del Professor Marcello La Rosa, Direttore Accademico (corporate programs

Dettagli

Problem Management proattivo di sicurezza secondo ITIL: attività di Etichal Hacking

Problem Management proattivo di sicurezza secondo ITIL: attività di Etichal Hacking Seminario associazioni: Seminario a cura di itsmf Italia Problem Management proattivo di sicurezza secondo ITIL: attività di Etichal Hacking Andrea Praitano Agenda Struttura dei processi ITIL v3; Il Problem

Dettagli

il materiale contenuto nel presente documento non può essere utilizzato o riprodotto senza autorizzazione

il materiale contenuto nel presente documento non può essere utilizzato o riprodotto senza autorizzazione Reliability Management La gestione del processo di Sviluppo Prodotto Ing. Andrea Calisti www.indcons.eu Chi sono... Andrea CALISTI Ingegnere meccanico dal 1995 al 2009 nel Gruppo Fiat Assistenza Clienti

Dettagli

GLI INDICATORI COME STRUMENTO PER IL MIGLIORAMENTO DELLA QUALITA ASSISTENZIALE

GLI INDICATORI COME STRUMENTO PER IL MIGLIORAMENTO DELLA QUALITA ASSISTENZIALE GLI INDICATORI COME STRUMENTO PER IL MIGLIORAMENTO DELLA QUALITA ASSISTENZIALE D r. C a r l o D e s c o v i c h U.O.C. Governo Clinico Staff Direzione Aziendale AUSL Bologna Bologna 26 Maggio 2010 INDICATORE

Dettagli

INTERNET e RETI di CALCOLATORI A.A. 2014/2015 Capitolo 4 DHCP Dynamic Host Configuration Protocol Fausto Marcantoni fausto.marcantoni@unicam.

INTERNET e RETI di CALCOLATORI A.A. 2014/2015 Capitolo 4 DHCP Dynamic Host Configuration Protocol Fausto Marcantoni fausto.marcantoni@unicam. Laurea in INFORMATICA INTERNET e RETI di CALCOLATORI A.A. 2014/2015 Capitolo 4 Dynamic Host Configuration Protocol fausto.marcantoni@unicam.it Prima di iniziare... Gli indirizzi IP privati possono essere

Dettagli

Master Universitario di II livello in PROJECT MANAGEMENT: MANAGING COMPLEXITY a.a. 2014/2015 MANIFESTO DEGLI STUDI

Master Universitario di II livello in PROJECT MANAGEMENT: MANAGING COMPLEXITY a.a. 2014/2015 MANIFESTO DEGLI STUDI Master Universitario di II livello in PROJECT MANAGEMENT: MANAGING COMPLEXITY a.a. 201/2015 MANIFESTO DEGLI STUDI Art. 1 - Attivazione e scopo del Master 1 E' attivato per l'a.a. 201/2015 presso l'università

Dettagli

RUP (Rational Unified Process)

RUP (Rational Unified Process) RUP (Rational Unified Process) Caratteristiche, Punti di forza, Limiti versione del tutorial: 3.3 (febbraio 2007) Pag. 1 Unified Process Booch, Rumbaugh, Jacobson UML (Unified Modeling Language) notazione

Dettagli

LA TECHNOLOGY TRANSFER PRESENTA JEN UNDERWOOD ADVANCED WORKSHOP ROMA 6 MAGGIO 2015 RESIDENZA DI RIPETTA - VIA DI RIPETTA, 231

LA TECHNOLOGY TRANSFER PRESENTA JEN UNDERWOOD ADVANCED WORKSHOP ROMA 6 MAGGIO 2015 RESIDENZA DI RIPETTA - VIA DI RIPETTA, 231 LA TECHNOLOGY TRANSFER PRESENTA JEN UNDERWOOD ADVANCED ANALYTICS WORKSHOP ROMA 6 MAGGIO 2015 RESIDENZA DI RIPETTA - VIA DI RIPETTA, 231 info@technologytransfer.it www.technologytransfer.it ADVANCED ANALYTICS

Dettagli

Istituto Tecnico Commerciale Indirizzo AFM articolazione SIA PERCHE???

Istituto Tecnico Commerciale Indirizzo AFM articolazione SIA PERCHE??? Istituto Tecnico Commerciale Indirizzo AFM articolazione SIA PERCHE??? Opportunità di lavoro: ICT - Information and Communication Technology in Azienda Vendite Acquisti Produzione Logistica AFM SIA ICT

Dettagli

Struttura dei Programmi Operativi 2014-2020 Risultati attesi, realizzazioni, indicatori. Oriana Cuccu, Simona De Luca, DPS-UVAL

Struttura dei Programmi Operativi 2014-2020 Risultati attesi, realizzazioni, indicatori. Oriana Cuccu, Simona De Luca, DPS-UVAL Struttura dei Programmi Operativi 2014-2020 Risultati attesi, realizzazioni, indicatori, DPS-UVAL Struttura dei Programmi Operativi Innovazioni di metodo Risultati attesi Risultati Azioni attesi Tempi

Dettagli

Gestione delle Architetture e dei Servizi IT con ADOit. Un Prodotto della Suite BOC Management Office

Gestione delle Architetture e dei Servizi IT con ADOit. Un Prodotto della Suite BOC Management Office Gestione delle Architetture e dei Servizi IT con ADOit Un Prodotto della Suite BOC Management Office Controllo Globale e Permanente delle Architetture IT Aziendali e dei Processi IT: IT-Governance Definire

Dettagli

La ISA nasce nel 1994 DIGITAL SOLUTION

La ISA nasce nel 1994 DIGITAL SOLUTION digitale La ISA nasce nel 1994 Si pone sul mercato come network indipendente di servizi di consulenza ICT alle organizzazioni nell'ottica di migliorare la qualità e il valore dei servizi IT attraverso

Dettagli

Master Universitario di I livello

Master Universitario di I livello Master Universitario di I livello In Obiettivi e sbocchi professionali: Il nostro obiettivo è quello di fornire ai partecipanti, gli strumenti adatti per gestire con efficacia progetti nel settore delle

Dettagli

THUN con ARIS: dall'ottimizzazione dei processi verso l enterprise SOA

THUN con ARIS: dall'ottimizzazione dei processi verso l enterprise SOA SAP World Tour 2007 - Milano 11-12 Luglio 2007 THUN con ARIS: dall'ottimizzazione dei processi verso l enterprise SOA Agenda Presentazione Derga Consulting Enterprise SOA Allineamento Processi & IT Il

Dettagli

Materia: INGLESE Data: 24/10/2004

Materia: INGLESE Data: 24/10/2004 ! VERBI CHE TERMINANO IN... COME COSTRUIRE IL SIMPLE PAST ESEMPIO e aggiungere -d live - lived date - dated consonante + y 1 vocale + 1 consonante (ma non w o y) cambiare y in i, poi aggiungere -ed raddoppiare

Dettagli