,, 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 CUZZOCREA (Cognome) Ricercatore (Qualifica) ALFREDO MASSIMILIANO (Nome) 26/03/1974 (Data di nascita) CZZLRD74C26F112Z (Codice fiscale) Consiglio Nazionale delle Ricerche (Università/Ente) Istituto di calcolo e reti ad alte prestazioni (Dipartimento) (telefono) (fax) cuzzocrea@si.deis.unical.it ( ) 4 - Curriculum scientifico Alfredo Cuzzocrea si è laureato in Ingegneria Informatica presso l'università degli Studi della Calabria nell'a.a summa cum laude. Nell'A.A ha conseguito il Dottorato in Ingegneria dei Sistemi e Informatica presso l'università degli Studi della Calabria. Nel periodo è stato Assegnista di Ricerca presso il Dipartimento di Elettronica, Informatica e Sistemistica dell' Università degli Studi della Calabria. Nel 2006 è risultato vincitore del concorso di Ricercatore presso l'istituto di Calcolo e Reti ad Alte Prestazioni del Consiglio Nazionale delle Ricerche. Durante il 2007 è stato Assegnista di Ricerca presso l'istituto di Calcolo e Reti ad Alte Prestazioni del Consiglio Nazionale delle Ricerche. Dal 2008 è Ricercatore presso l'istituto di Calcolo e Reti ad Alte Prestazioni del Consiglio Nazionale delle Ricerche. Inoltre, dal 2006 è Professore Aggregato presso l'università degli Studi della Calabria, dal 2004 è Professore Aggregato presso l'università degli Studi Magna Graecia di Catanzaro, dal 2008 è Professore Aggregato presso l'università degli Studi di Messina, nel periodo è stato Professore Aggregato presso l'università degli Studi Parthenope di Napoli. Ha ricoperto numerose posizioni da Visiting Professor, tra le quali: University of California in Los Angeles, CA, USA; Purdue University, IN, USA; University of New South Wales, Australia; University of Lyon 1, Francia; Fukuoka Institute of Technology, Giappone; Hannam University, Corea del Sud; University of Zagreb, Croazia. I suoi attuali temi di ricerca sono i seguenti: data warehousing e OLAP; modellazione, analisi e interrogazione di dati multi-dimensionali; modelli e algoritmi intelligenti per data stream, gestione efficiente di dati semi-strutturati; ingegneria dei sistemi informativi Web; rappresentazione e gestione di conoscenza; griglie computazionali e peer-to-peer; algoritmi di data mining; metodologie per sistemi informativi complessi; architetture e sistemi orientati ai servizi; gestione privacy-preserving di dati di grande dimensione; sicurezza di dati di grande dimensione. E' autore di oltre 165 pubblicazioni in atti di congressi internazionali (tra cui: EDBT, CIKM, SSDBM, MDM) e in riviste internazionali (tra cui: Journal of Computer and System Sciences, Knowledge & Information Systems, Data & Knowledge Engineering, Information Sciences). E' membro di numerosi comitati scientifici internazionali (tra cui: VLDB, CIKM, KDD, ICDE) e membro del comitato editoriale di numerose riviste internazionali (tra cui: ACM Transactions on Database Systems, IEEE Transactions on Knowledge and Data Engineering, Information Systems, ACM Transactions on Knowledge Discovery from Data).

2 Svolge ed ha svolto il ruolo di Program Chair per numerose conferenze internazionali (tra cui: DAWAK 2011, DOLAP 2011, ICA3PP 2010, ICA3PP 2011) e il ruolo di Special Issue Editor per numerose riviste internazionali (tra cui: Information Systems, Knowledge & Information Systems, Journal of Computer and System Sciences, Future Generation Computer Systems). Ha tenuto seminari e relazioni invitate presso numerose sedi internazionali e conferenze internazionali. Ha partecipato a numerosi progetti di ricerca nazionali in collaborazione con il Consiglio Nazionale delle Ricerche e l'università della Calabria, svolgendo anche ruoli di coordinamento di gruppi di lavoro. 5 - Pubblicazioni scientifiche più significative del Responsabile dell'unità di Ricerca 1. CUZZOCREA A. (2012). Intelligent Algorithms for Data-Centric Sensor Networks. JOURNAL OF NETWORK AND COMPUTER APPLICATIONS, vol. 35; p. 1-2, ISSN: CUZZOCREA A. (2012). Intelligent Knowledge-based Models and Methodologies for Complex Information Systems. INFORMATION SCIENCES, vol. 194; p. 1-3, ISSN: CUZZOCREA A., A. PAPADIMITRIOU, D. KATSAROS, Y. MANOLOPOULOS (2012). Edge Betweenness Centrality: A Novel Algorithm for QoS-based Topology Control over Wireless Sensor Networks. JOURNAL OF NETWORK AND COMPUTER APPLICATIONS, vol. 35; p , ISSN: CUZZOCREA A., D. LEE, P. LORENZ, Y. KAMBAYASHI (2012). Introduction to Special Issue: ICISA 2010 Cluster Computing 15(1): 1 (2012). CLUSTER COMPUTING, vol. 15; p. 1-1, ISSN: CUZZOCREA A. (2011). A Framework for Modeling and Supporting Data Transformation Services over Data and Knowledge Grids with Real-Time Bound Constraints. CONCURRENCY AND COMPUTATION, vol. 23; p , ISSN: CUZZOCREA A. (2011). Advances in Mining, Modelling and Managing Complex Data. INTERNATIONAL JOURNAL OF DATA MINING, MODELLING AND MANAGEMENT, vol. 3; p , ISSN: CUZZOCREA A. (2011). Data Warehousing and Knowledge Discovery from Sensors and Streams. KNOWLEDGE AND INFORMATION SYSTEMS, vol. 28; p , ISSN: CUZZOCREA A. (2011). Pushing Artificial Intelligence in Database and Data Warehouse Systems. DATA & KNOWLEDGE ENGINEERING, vol. 70; p , ISSN: X 9. CUZZOCREA A. (2011). Retrieving Accurate Estimates to OLAP Queries over Uncertain and Imprecise Multidimensional Data Streams. In: Proceedings of the 23rd International Conference on Scientific and Statistical Database Management. Portland, OR, USA, July 20-22, 2011, vol. LNCS 6809, p , ISBN/ISSN: CUZZOCREA A., A. NUCITA (2011). Enhancing Accuracy and Expressive Power of Range Query Answers over Incomplete Spatial Databases via a Novel Reasoning Approach. DATA & KNOWLEDGE ENGINEERING, vol. 70; p , ISSN: X 11. CUZZOCREA A., D. SACCA' (2011). Hand-OLAP: Semantics-Aware Compression of Data Cubes for Effective and Efficient OLAP in Mobile Enviroments. In: Proceedings of 12th IEEE International Conference on Mobile Data Management. Lulea, Sweden, June 6-9, 2011, vol. Volume 1, p CUZZOCREA A., D. TANIAR (2011). Distributed XML Processing and Management: Theory and Practice. JOURNAL OF COMPUTER AND SYSTEM SCIENCES, vol. 77; p , ISSN: CUZZOCREA A., E. BERTINO (2011). Privacy Preserving OLAP over Distributed XML Data: A Theoretically-Sound Secure-Multiparty-Computation Approach. JOURNAL OF COMPUTER AND SYSTEM SCIENCES, vol. 77; p , ISSN: CUZZOCREA A., J.-N. MAZON, J. TRUJILLO, J.J. ZUBCOFF (2011). Model-Driven Data Mining Engineering: From Solution-Driven Implementations to 'Composable' Conceptual Data Mining Models. INTERNATIONAL JOURNAL OF DATA MINING, MODELLING AND MANAGEMENT, vol. 3; p , ISSN: CUZZOCREA A. (2010). A Top-Down Approach for Compressing Data Cubes under the Simultaneous Evaluation of Multiple Hierarchical Range Queries. JOURNAL OF INTELLIGENT INFORMATION SYSTEMS, vol. 34; p , ISSN: CUZZOCREA A. (2010). Advanced Knowledge-based Systems. DATA & KNOWLEDGE ENGINEERING, vol. 69; p , ISSN: X 17. CUZZOCREA A., D. GUNOPULOS (2010). Efficiently Computing and Querying Multidimensional OLAP Data Cubes over Probabilistic Relational Data. In: Proceedings of the 14th East European Conference on Advances in Databases and Information Systems. Novi-Sad, Serbia, settembre 2010, vol. LNCS 6295, p , ISBN/ISSN: CUZZOCREA A., S. CHAKRAVARTHY (2010). Event-based Lossy Compression for Effective and Efficient OLAP over Data Streams. DATA & KNOWLEDGE ENGINEERING, vol. 69; p , ISSN: X 19. CUZZOCREA A. (2009). OLAP Intelligence: Meaningfully Coupling OLAP and Data Mining Tools and Algorithms. INTERNATIONAL JOURNAL OF BUSINESS INTELLIGENCE AND DATA MINING, vol. 4; p , ISSN: CUZZOCREA A., F. FURFARO, D. SACCÀ (2009). Enabling OLAP in Mobile Environments via Intelligent Data Cube Compression Techniques. JOURNAL OF INTELLIGENT INFORMATION SYSTEMS, vol. 33; p , ISSN: CUZZOCREA A., J. DARMONT, H. MAHBOUBI (2009). Fragmenting Very Large XML Data Warehouses via K-means Clustering Algorithm. INTERNATIONAL JOURNAL OF BUSINESS INTELLIGENCE AND DATA MINING, vol. 4; p , ISSN: CUZZOCREA A., P. SERAFINO (2009). LCS-Hist: Taming Massive High-Dimensional Data Cube Compression. In: Proceedings of the 12nd ACM International Conference on Extending Database Technology. Saint Petersburg, Russia, March 23-26, CUZZOCREA A. (2007). Advances in Querying Non-Conventional Data Sources. JOURNAL OF DIGITAL INFORMATION MANAGEMENT, vol. 5; p , ISSN: CUZZOCREA A. (2007). Querying Unstructured and Structured Peer-to-Peer Networks: Models, Issues, Algorithms. JOURNAL OF DIGITAL INFORMATION MANAGEMENT, vol. 5; p , ISSN: CUZZOCREA A., D. SACCÀ, P. SERAFINO (2007). Semantics-aware Advanced OLAP Visualization of Multidimensional Data Cubes. INTERNATIONAL JOURNAL OF DATA WAREHOUSING AND MINING, vol. 3; p. 1-30, ISSN: CUZZOCREA A., W. WANG (2007). Approximate Range-Sum Query Answering on Data Cubes with Probabilistic Guarantees. JOURNAL OF INTELLIGENT INFORMATION SYSTEMS, vol. 28; p , ISSN: A. BONIFATI, CUZZOCREA A. (2006). Storing and Retrieving XPath Fragments in Structured P2P Networks. DATA & KNOWLEDGE ENGINEERING, vol. 59; p , ISSN: X 28. CUZZOCREA A. (2006). Accuracy Control in Compressed Multidimensional Data Cubes for Quality of Answer-based OLAP Tools. In: Proceedings of the 18th IEEE International Conference on Scientific and Statistical Database Management. Vienna, Austria, July 3-5, 2006, p CUZZOCREA A. (2006). Combining Multidimensional User Models and Knowledge Representation and Management Techniques for Making Web Services Knowledge-Aware. WEB INTELLIGENCE AND AGENT SYSTEMS, vol. 4; p , ISSN: CUZZOCREA A. (2006). Improving Range-Sum Query Evaluation on Data Cubes via Polynomial Approximation. DATA & KNOWLEDGE ENGINEERING, vol. 56; p , ISSN: X

3 6 - Abstract dei compiti svolti dall'unità di Ricerca Il ruolo dell'unità di Ricerca dell'icar-cnr all'interno del progetto di ricerca consiste nell'investigare modelli, metodi e strumenti per la modellazione, la costruzione, l'analisi e il mining di Data Warehouse di processi clinici e sanitari, e tecniche avanzate di mining di processi clinici e sanitari. Rispetto alle attività generali del progetto di ricerca, l'unità di Ricerca dell'icar-cnr svolgerà le attività di seguito descritte. Attività 0.1) - Analisi dello stato dell'arte sui Data Warehouse di processi e sul Process Mining. Attività 0.2) - Individuazione di casi di studio significativi per il progetto di ricerca. Attività 3.1) - Questa attività si mappa sulle due seguenti sotto-attività. 3.1.a) Modelli, metodi e strumenti a supporto dell'intero ciclo di vita di Data Warehouse di processi clinici e sanitari. In questa attività si investigherà e si proporranno soluzioni innovative su aspetti di notevole interesse scientifico, quali, ad esempio: rappresentazione efficace ed efficiente di processi clinici e sanitari in memoria secondaria; tecniche di riconciliazione di processi clinici e sanitari eterogenei; analisi dei requisiti per Data Warehouse di processi clinici e sanitari; ETL (Extraction, Transformation, Loading) su processi clinici e sanitari; progettazione concettuale/logica/fisica di tipo multidimensionale su processi clinici e sanitari; tecniche di alimentazione di Data Warehouse di processi clinici e sanitari. 3.1.b) Metodologie per la progettazione di Data Mart su processi clinici e sanitari, partendo da consolidate metodologie proposte nell'ambito dei dati relazionali. L'obiettivo consiste nello specializzare queste metodologie classiche al caso dei processi clinici e sanitari, proponendo innovativi formalismi e linguaggi che estendono quelli dello stato dell'arte (es., DFM), e fornendo soluzioni a una serie di problemi di ricerca aperti, alcuni dei quali possono essere rappresentati dalle seguenti domande: cosa significa fare analisi dimensionale di processi clinici e sanitari? come individuare le dimensioni e le misure su processi clinici e sanitari? come aggregare processi clinici e sanitari? Attività 3.2) - Analisi e mining di processi clinici e sanitari secondo astrazioni multidimensionali. L'obiettivo consiste nel definire metodi e tecniche di multidimensional mining e OLAP mining innovativi per processi clinici e sanitari, che siano in grado di scoprire correlazioni e patterns multidimensionali in tali processi, altrimenti non rilevabili mediante tradizionali tecniche di Data Mining. L'integrazione tra le tecniche di analisi multidimensionale e gli algoritmi di Data Mining, infatti, consente di arricchire in modo significativo la fase di mining dei processi, grazie a sofisticati metodi di analisi quali, ad esempio, il gradiente multidimensionale e l'analisi multivariata. Attività 3.3) - Tecniche avanzate di mining di processi clinici e sanitari. Questa attività scaturisce dall'osservare che per le moderne organizzazioni sanitarie è essenziale avere una visione accurata dei processi che modellano le prestazioni mediche, che devono essere puntuali, poco costose e di alta qualità. In genere, il contesto sanitario è caratterizzato da processi, detti "careflows", che sono complicati, poco strutturati ed estremamente dinamici. Pertanto, potrebbe essere difficile estrarre conoscenza utile da tali processi. L'obiettivo di questa attività è quindi quello di usare diverse tecniche avanzate di process mining su processi clinici e sanitari al fine di estrarre conoscenza utile quale, ad esempio, sequenze di attività, strutture organizzative, performance, patterns (ad esempio, strette collaborazioni tra dipartimenti ospedalieri). Attività 4) - Progetto ed implementazione di una suite software per la progettazione, la verifica e l'analisi di Data Warehouse di processi clinici e sanitari che aderiscono alle metodologie e ai paradigmi proposti nelle attività 3.1), 3.2) e 3.3). 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 L'Unità di Ricerca dell'icar-cnr è riuscita a stabilire un rilevante numero di collaborazioni scientifiche con Università ed Enti di Ricerca internazionali che hanno accordato il loro interesse per le tematiche del progetto di ricerca, con particolare riguardo ai temi dei modelli, metodi e strumenti per la modellazione, la costruzione, l'analisi e il mining di Data Warehouse di processi clinici e sanitari, e delle tecniche avanzate di mining di processi clinici e sanitari, svolti dall'unità di Ricerca dell'icar-cnr all'interno del progetto. Queste entità sono di seguito elencate. Per ciascuna entità, si riporta il nome del supervisore scientifico responsabile della collaborazione di ricerca. Inoltre, si fornisce la descrizione delle attività che saranno condotte da ciascuna entità nell'ambito del progetto di ricerca. School of Informatics, University of Edinburgh, UK (SI/Ed) - Prof. Wenfei Fang Computer Science Department/CERIAS/Cyber-Center, Purdue University, IN, USA (CC/In) - Prof.ssa Elisa Bertino Computer Science Department, Worcester Polytechnic Institute, MA, USA (WP/Ma) - Prof.ssa Elke Rundensteiner School of Computing Science, Simon Fraser University, Canada (CS/Ca) - Prof. Jian Pei School of Information Technology and Electrical Engineering, University of Queensland, Australia (EE/Qu) - Prof. Xiaofang Zhou Department of Computer Science, Aalborg University, Denmark (CS/Aa) - Prof. Torben Bach Pedersen School of Computing, University of Portsmouth, UK (SC/Po) - Dr. Mohamed Medhat Gaber (SI/Ed) e (CS/Aa) saranno coinvolti nelle attività che focalizzano su modelli, metodi e strumenti a supporto dell'intero ciclo di vita di Data Warehouse di processi clinici e sanitari. In particolare, il gruppo di ricerca guidato dal Prof. Wenfei Fan (SI/Ed) vanta, tra l'altro, una ampia e rinomata esperienza sui temi della selezione ottima di viste materializzate e dell'integrazione di sorgenti informative. Questa esperienza può essere utilizzata nel contesto della costruzione dei Data Warehouse di processi clinici e sanitari. Il gruppo di ricerca guidato dal Prof. Torben Bach Pedersen (CS/Aa) vanta, tra l'altro, una ampia e rinomata esperienza sui temi della modellazione e implementazione dei Data Warehouses e dei sistemi OLAP. Questa esperienza può essere utilizzata nel contesto dell'implementazione dei Data Warehouse di processi clinici e sanitari, e della loro ottimizzazione. (CC/In), (CS/Ca) e (EE/Qu) saranno coinvolti nelle attività che focalizzano sull'analisi e mining di processi clinici e sanitari secondo astrazioni multidimensionali. In particolare, il gruppo guidato dalla Prof.ssa Elisa Bertino (CC/In) vanta, tra l'altro, una ampia e rinomata esperienza sui temi dell'ottimizzazione di query e dell'analisi

4 multi-granulare su dati complessi (come, ad esempio, i dati geografici e spazio-temporali, che, sulla base della loro natura, possono essere facilmente riconducibili ai dati multidimensionali). Questa esperienza può essere utilizzata nel contesto dell'analisi gradiente multidimensionale e dell'analisi multivariata di processi clinici e sanitari. Il gruppo di ricerca guidato dal Prof. Xiaofang Zhou (EE/Qu) vanta, tra l'altro, una ampia e rinomata esperienza sul tema dell'integrazione di tecniche di interrogazione di dati multidimensionali e tecniche avanzate di Data Mining (ad esempio, clustering). Questa esperienza può essere utilizzata nel contesto dell'ottimizzazione di procedure data-intensive che supportano l'analisi e il mining multidimensionali di processi clinici e sanitari (ad esempio, procedure per la scoperta di correlazioni multidimensionali). Il gruppo di ricerca guidato dal Prof. Jian Pei (CS/Ca) vanta, tra l'altro, una ampia e rinomata esperienza sul tema della modellazione e calcolo di data cube OLAP su sorgenti dati non-convenzionali. Questa esperienza può essere utilizzata nel contesto della modellazione e calcolo di data cube OLAP su processi clinici e sanitari, a supporto dell'analisi multidimensionale e multi-risoluzione di tali processi. (WP/Ma) e (SC/Po) saranno coinvolti nelle attività che focalizzano sulle tecniche avanzate di mining di processi clinici e sanitari. In particolare, il gruppo di ricerca guidato dalla Prof.ssa Elke Rundensteiner (WP/Ma) vanta, tra l'altro, una ampia e rinomata esperienza sui temi del Data Mining su dati complessi e dei sistemi data-intensive basati sugli eventi. Questa esperienza può essere utilizzata nel contesto della scoperta di sotto-strutture regolari in processi clinici e sanitari, anche nel caso particolare rappresentato da processi che interagiscono con grandi volumi di dati (processi di tipo data-intensive). Il gruppo di ricerca guidato dal Dr. Mohamed Medhat Gaber (SC/Po) vanta, tra l'altro, un'ampia e rinomata esperienza sul tema delle tecniche avanzate di Data Mining (ad esempio, classificazione) in ambienti data-intensive. Questa esperienza può essere utilizzata nel contesto della scoperta di patterns di esecuzione in processi clinici e sanitari, al fine di classificare le esecuzioni dei processi sulla base di parametri funzionali e decisionali. Le attività di investigazione scientifica condotte dall'unità di Ricerca dell'icar-cnr all'interno del progetto di ricerca sono perfettamente compatibili con le motivazioni e i fini del programma quadro Horizon 2020, patrocinato dalla Commissione Europea per la Ricerca e l'innovazione. Si noti che tali attività sono conformi alla prima delle cosiddette sfide sociali riportate in Horizon 2020, e cioè Health, Demographic Change and Wellbeing. Infatti, proprio sulla direzione tracciata da questa sfida critica, l'obiettivo globale dell'unità di Ricerca dell'icar-cnr all'interno del progetto di ricerca è rappresentato da modelli, metodi e strumenti per la modellazione, la costruzione, l'analisi e il mining di Data Warehouse di processi clinici e sanitari, e tecniche avanzate di mining di processi clinici e sanitari. L'utilizzo combinato dei principi e dei modelli del Data Warehousing e del Process Mining consente senza dubbio di supportare efficacemente ed efficientemente, mediante tecnologie ICT, non solo l'analisi dell'evoluzione di possibili rischi sanitari (si pensi, ad esempio, ai recenti casi di malattie infettive pandemiche) ma anche la prevenzione di tali rischi, attraverso sofisticati strumenti di previsione e supporto alle decisioni. Questo consente, quindi, di definire una famiglia di metodologie e strumenti di assoluta rilevanza per la promozione della salute umana, proprio come recitato da Horizon Le attività specifiche descritte da Horizon 2020 sono anche esse catturate efficacemente. Di seguito, si riportano tali attività specifiche, raggruppate secondo una tassonomia concettuale lasca, e si forniscono e si discutono le motivazioni sull'efficacia e sull'efficienza del Data Warehousing e del Process Mining a supporto di esse Understanding the determinants of health, improving health promotion and disease prevention Understanding disease Improving diagnosis Treating disease Better use of health data Il Data Warehousing consente di ottenere viste globali materializzate su grandi collezioni di processi clinici e sanitari. Questa particolare caratteristica supporta la scoperta di conoscenza globale, ricca sui fattori determinanti che consentono di migliorare la salute umana e prevenire le malattie. Il Process Mining consente di scoprire conoscenza da processi complessi, quali quelli clinici e sanitari. Questa particolare caratteristica supporta la definizione di metodologie eleganti per la scoperta di conoscenza utile da dati e processi, anche in ambienti distribuiti. Il loro uso congiunto consente di migliorare la conoscenza sulle malattie, migliorare le diagnosi, e trattare meglio le malattie. In altre parole, il loro uso congiunto consente un utilizzo migliore dei dati clinico-sanitari, che, altrimenti, risulterebbero non standardizzati, ridondanti, scollegati, a bassa interoperabilità, e di difficile interpretazione Developing effective screening programmes and improving the assessment of disease susceptibility Improving surveillance and preparedness Developing better preventive vaccines Using in-silico medicine for improving disease management and prediction Improving scientific tools and methods to support policy making and regulatory needs Il Data Warehousing, insieme all'analisi OLAP, è lo strumento principe per il supporto alle decisioni e per la definizione di programmi di analisi dei trend delle evoluzioni di processi complessi, come, appunto, le malattie endemiche. L'uso di tecniche di Process Mining consente di migliorare ulteriormente l'efficacia delle fasi di analisi e di previsione supportate dal Data Warehousing e dall'analisi OLAP. Le sofisticate tecniche analitiche e previsionali che possono essere ottenute dall'integrazione del Data Warehousing e del Process Mining consentono quindi di mettere a punto meccanismi di identificazione precoce di malattie, meccanismi di allarme per malattie e fenomeni endemici, meccanismi di gestione delle emergenze, campagne di vaccinazione, metodi di simulazione che siano in grado di prevenire, su base statistico-probabilistica, le evoluzioni delle malattie, e tanti altri. Sintetizzando, tali tecniche consentono di far penetrare in modo più incisivo le tecnologie ICT nel mondo della sanità, generando il cosiddetto e-health Transferring knowledge to clinical practice and scalable innovation actions Active ageing, independent and assisted living Individual empowerment for self-management of health Promoting integrated care Optimising the efficiency and effectiveness of healthcare systems and reducing inequalities through evidence based decision making and dissemination of best practice, and innovative technologies and approaches Specific implementation aspects L'uso congiunto del Data Warehousing e del Process Mining consente di ottenere strumenti decisionali di grande accuratezza, capaci di offrire sia una visione personalizzata ai singoli pazienti (per esempio, persone anziane o con disabilità) sia una visione integrata su processi complessi come quelli clinici e sanitari che sia di beneficio a tutti gli attori dello scenario e-health, dai pazienti al personale medico e a quello socio-assistenziale. Inoltre, il Data Warehousing e il Process Mining, utilizzati congiuntamente all'interno di un sistema di supporto alle decisioni mediche evoluto, consentono di ottenere un healthcare management system di assoluto rilievo, capace non solo di supportare efficacemente ed efficientemente processi decisionali, ma anche di generare innovazione tecnologica e linee guida di best practices che possano essere raccolte, attraverso un opportuno trasferimento di conoscenze, da future esperienze nel settore, offrendo anche specifici casi d'uso e implementazioni di istanze di particolari interesse. 9 - Parole chiave DATA WAREHOUSING SU PROCESSI CLINICI E SANITARI OLAP SU PROCESSI CLINICI E SANITARI TECNICHE AVANZATE DI MINING DI PROCESSI CLINICI E SANITARI 10 - Stato dell'arte -Warehousing di Processi Il Warehousing di processi è un recente ambito di ricerca il cui scopo è quello di fornire strumenti, modelli e metodologie per analizzare processi e workflow, anche secondo astrazioni multidimensionali, in quanto capire il modello sotteso ad un dato processo [ICA_41, ICA_42] può fornire utili suggerimenti su come migliorare l'efficienza, ridurre i tempi di esecuzione e abbassare i costi associati a tale processo [ICA_38]. Il Warehousing di processi pone problematiche nuove, dovute principalmente alla peculiare natura dei dati di processo. Infatti, i dati relativi a processi e workflow hanno diverse peculiarità, tra cui [ICA_40]: livelli di strutturatezza molto differenti, tipi multipli di dati correlati, aggregazioni concettualmente complesse, gestione della diversità e dell'evoluzione. Per superare queste difficoltà, in letteratura sono apparse una pletora di proposte, che si concentrano sull'architettura [ICA_40], la progettazione [ICA_39, ICA_44], e il ciclo di vita [ICA_45, ICA_40]. -Metodologie di Progettazione di Data Mart Nella comunità scientifica delle basi di dati, il problema della progettazione logica e fisica di Data Warehouse è stato ampiamente discusso [ICA_31, ICA_32, ICA_33, ICA_37]. Un contributo significativo a tale problema è quello di Kimball in [ICA_33], che introduce la nozione di Dimensional Modeling ed affronta il gap tra database relazionali e database multidimensionali. Le prime proposte che focalizzano sulla progettazione di Data Mart sono [ICA_28, ICA_29, ICA_34], dove sono discusse alcune metodologie per la ristrutturazione e la trasformazione di uno schema E/R in uno schema multidimensionale (definito da un set di fatti, dimensioni e misure). Altre proposte considerano il problema della progettazione degli schemi concettuali di database multidimensionali. In [ICA_25], si propone un

5 modello di dati basato su uno o più ipercubi e una serie di operazioni di base per operare su tale modello. La proposta [ICA_30] mira a definire un modello concettuale e un linguaggio di query per supportare le funzionalità OLAP, cioè interrogazione, ristrutturazione, classificazione ed aggregazione. In [ICA_36], invece, si presenta un framework teorico per il problema della progettazione logica e fisica, dove il Data Warehouse è definito mediante la selezione di un insieme di viste che si adattano allo spazio disponibile e sono in grado di ridurre il costo di valutazione delle query e del mantenimento delle viste. In [ICA_27], la progettazione di Data Mart si basa su un approccio a tre passi. Il primo passo è di tipo top-down si occupa di dedurre e consolidare le richieste degli utenti, mediante il paradigma Goal/Question/Metric [ICA_26]. Il secondo passo è di tipo bottom-up e si occupa di estrarre Data Mart candidati dallo schema concettuale di input. Il terzo passo si occupa di confrontare Data Mart candidati con quegli ideali per derivare un insieme di Data Mart supportati dal sistema informativo di riferimento, e che soddisfa i requisiti dell'utente. Infine, in [ICA_35] si propone un metodo di progettazione concettuale/logica/fisica basato su UML che comprende un insieme di meta-modelli, utilizzati in ogni fase, ed un insieme di trasformazioni semi-automatiche basato su l'object Constraint Language (OCL). -Data Warehouse Mining Le informazioni collezionate nei Data Warehouses offrono la possibilità di effettuare delle analisi di mining avanzate, quali classificazione, clustering e scoperta di pattern frequenti, arricchite da astrazioni multidimensionali native. Poiché i dati vengono periodicamente aggiornati, la conoscenza estratta deve essere parimenti aggiornata, al fine di ottenere sempre la conoscenza corrente. In [ICA_01], viene descritto un tipico scenario per la scoperta di regole associative in Data Warehouse dinamici di dati clinici, ad esempio associazioni tra le cure e i risultati ottenuti tramite esse. Altre proposte si basano sulla definizione di schemi incrementali per algoritmi esistenti, come ad esempio DBSCAN [ICA_02]. L'approccio descritto in [ICA_03] studia i cambiamenti che possono avvenire in distribuzioni di dati multidimensionali, detti gradienti; in particolare, per un insieme di dati multidimensionali di base e per un insieme di nuovi dati multidimensionali generati, viene definito un test statistico per verificare che i nuovi dati siano ottenuti dalla distribuzione dei dati di base. Il problema di individuare i cambiamenti in misure complesse era stato introdotto inizialmente in [ICA_06], mediante le cosiddette Cubegrades, che sono regole associative su dati multidimensionali. L'idea principale è di esplorare come i cambiamenti in un insieme di misure di interesse siano associate con i cambiamenti nelle dimensioni corrispondenti. In [ICA_07], si propone LiveSet-Driven, un metodo per ottenere soluzioni più efficienti nell'identificare gradienti delle celle multidimensionali. Altri lavori sul mining di celle di interesse in data cubes sono presentati in [ICA_08, ICA_09, ICA_10]. In [ICA_04] viene proposta una strategia di data cubing basata su gradienti per scoprire i cambiamenti più significativi in uno spazio multidimensionale. Infine, in [ICA_05] viene presentato un approccio per identificare pattern multidimensionali frequenti tra diversi livelli di gerarchia in un Data Warehouse basandosi su un algoritmo di tipo Pattern-Growth. -Process Mining Il termine Process Mining identifica il problema di indurre automaticamente il modello di un processo sulla base dei dati raccolti nel corso di sue precedenti esecuzioni, dati che sono memorizzati in opportuni logs [ICA_11, ICA_16, ICA_17, ICA_18, ICA_19, ICA_20, ICA_22, ICA_13]. Diverse tecniche di Process Mining sono state introdotte in letteratura per estrarre differenti modelli/aspetti del processo (e.g., flusso di lavoro o interazioni sociali). Le tradizionali tecniche di Process Mining hanno come scopo principale quello di scoprire il modello di workflow che tenga conto sia delle attività del processo sia dei vincoli che ne coordinano il flusso. Per esempio, l'algoritmo [ICA_18] costruisce una Rete di Petri [ICA_16] capace di descrivere il comportamento registrato nel log. Le Reti di Petri non sono, però, l'unico modello usato: le Heuristic Nets [ICA_22] sono un'altra forma di rappresentazione molto diffusa in letteratura. Per modellare processi complessi in modo più preciso, l'approccio in [ICA_14] sfrutta un clustering gerarchico capace di riconoscere le differenti classi comportamentali delle istanze di processo e modellarle attraverso distinti schemi di workflow. Questo si traduce in una più accurata (secondo misure introdotte in [ICA_15]) rappresentazione dei modelli. Approcci recenti, che trattano workflow complessi, cercano di trarre vantaggio dalle moderne architetture distribuite [ICA_24]. Mentre molte strategie si basano solo su modelli ottimali a livello locale, una strategia di ricerca globale è invece adottata nell'approccio proposto in [ICA_23], basato sull'uso di algoritmi genetici. Ogni soluzione (cioè, ogni modello di workflow) è rappresentato come un particolare tipo di matrice causale e viene valutata con l'aiuto di un'apposita funzione di fitness, valutando quanto ogni soluzione è conforme ad un certo log. Alcune recenti proposte hanno provato a considerare altre informazioni disponibili nei log (gli esecutori delle attività, i valori dei parametri ed i dati relativi alle performances) oltre alla mera sequenza delle attività di processo. Ad esempio, in [ICA_12], vengono indotti degli alberi di decisione che legano le classi comportamentali scoperte con altri dati presenti nei logs. Indipendentemente da obiettivi o approcci specifici, la maggior parte delle tecniche di Process Mining classiche fa riferimento ad una rigida, orientata al workflow, rappresentazione dei log di processo. Il modello MXML, usato nel framework ProM [ICA_21], è senza dubbio il più diffuso nella comunità del Process Mining Riferimenti bibliografici [ICA_01] R. Feldman, Y. Aumann, A. Amir, H. Mannila. Efficient Algorithms for Discovering Frequent Sets in Incremental Databases, RIDMKD, 59-66, [ICA_02] M. Ester, H-P. Kriegel, J. Sander, M. Wimmer, X. Xu. Incremental Clustering for Mining in a Data Warehousing Environment, VLDB, , [ICA_03] X. Song, M. Wu, C. M. Jermaine, S. Ranka. Statistical Change Detection for Multi-Dimensional Data. KDD, , [ICA_04] R. Alves, J. Ribeiro, O. Belo. Mining Significant Change Patterns in Multidimensional Spaces. International Journal of Business Intelligence and Data Mining 4(3/4), , [ICA_05] M. Plantevit, A. Laurent, M. Teissere. Mining Convergent and Divergent Sequences in Multidimensional Data. International Journal of Business Intelligence and Data Mining 4(3/4), , [ICA_06] T. Imielinski, L. Khachiyan, A. Abdulghani. Cubegrades: Generalizing Association Rules. Data Mining and Knowledge Discovery 6(3), , [ICA_07] G. Dong, J. Han, J. Lam, J. Pei, K. Wang, W. Zou. Mining Constrained Gradients in Large Databases. IEEE Transactions on Knowledge and Data Engineering 16(8), , [ICA_08] S. Sarawagi, R. Agrawal, N. Megiddo. Discovery-Driven Exploration of OLAP Data Cubes. EDBT, , [ICA_09] S. Sarawagi, G. Sathe. i3: Intelligent, Interactive Investigaton of OLAP Data Cubes. SIGMOD, 589, [ICA_10] G. Sathe, S. Sarawagi. Intelligent Rollups in Multidimensional OLAP Data. VLDB, , [ICA_11] R. Agrawal, D. Gunopulos, F. Leymann. Mining Process Models from Workflow Logs. EDBT, , [ICA_12] F. Folino, G. Greco, A. Guzzo, L. Pontieri. Mining Usage Scenarios in Business Processes: Outlier-aware Discovery and Run-Time Prediction. Data & Knowledge Engineering 70(12), , [ICA_13] G. Greco, A. Guzzo, G. Manco, D. Saccà. Mining and Reasoning on Workflows. IEEE Transactions on Data and Knowledge Engineering 17(4), , [ICA_14] G. Greco, A. Guzzo, L. Pontieri, D. Saccà. Discovering Expressive Process Models by Clustering Log Traces. IEEE Transactions on Knowledge and Data Engineering 18(8), , [ICA_15] A. Rozinat W.M.P. van der Aalst. Conformance Testing: Measuring the Fit and Appropriateness of Event Logs and Process Models. BPI, , [ICA_16] W.M.P. van der Aalst. Making Work Flow: On the Application of Petri Nets to Business Process Management. ATPN, 1-22, [ICA_17] W.P.M. van der Aalst et al. Workflow Mining: A Survey of Issues and Approaches. Data and Knowledge Engineering 47(2), , [ICA_18] W.P.M. van der Aalst, A.J.M.M. Weijters, L. Maruster. Workflow Mining: Discovering Process Models from Event Logs. IEEE Transactions on Knowledge and Data Engineering 16(9), , [ICA_19] W.M.P. van der Aalst, A.H.M. ter Hofstede, M. Weske. Business Process Management: A Survey. BPM, 1-12, [ICA_20] W.P.M. van der Aalst et al. Business Process Mining: An Industrial Application. Information Systems 32(5), , 2007.

6 [ICA_21] B.F. van Dongen, A.K. Alves de Medeiros et al. The ProM Framework: A New Era in Process Mining Tool Support. ICATPN, , [ICA_22] A.J.M.M. Weijters, W.P.M. van der Aalst. Rediscovering Workflow Models from Event-Based Data using Little Thumb. Integrated Computer-Aided Engineering 10(2), , [ICA_23] A.K. Medeiros, A.J. Weijters, and W.M. Aalst. Genetic Process Mining: An Experimental Evaluation. Data Mining and Knowledge Discovery 14(2), , [ICA_24] S.X. Sun, Q. Zeng, H. Wang. Process-Mining-Based Workflow Model Fragmentation for Distributed Execution. IEEE Transactions on Systems, Man, and Cybernetics, Part A 41(2), , [ICA_25] R. Agrawal, A. Gupta, S. Sarawagi. Modeling Multidimensional Databases. ICDE, , [ICA_26] V. Basili, G. Caldiera, D. Rombach. Goal/Question/Metric Paradigm. Encyclopedia of Software Engineering 1, John Wiley & Sons, [ICA_27] A. Bonifati, S. Ceri, S. Paraboschi. Designing Data Marts for Data Warehouses. ACM Transactions on Software Engineering and Methodologies (10)4, , [ICA_28] L. Cabibbo, R. Torlone. A Logical Approach to Multidimensional Databases. EDBT, , [ICA_29] M. Golfarelli, D. Maio, S. Rizzi. Conceptual Design of Data Warehouses from E/R Schemas. HICSS, , [ICA_30] M. Gyssens, L.V.S. Lakshmanan. A Foundation for Multi-Dimensional Databases. VLDB, , [ICA_31] W.H. Inmon. Building the Data Warehouse. 2nd ed. John Wiley and Sons, Inc., New York, NY, [ICA_32] M. Jarke, M. Lenzerini, Y. Vassiliou. Fundamentals of Data Warehousing. Springer-Verlag, Berlin-Heidelberg, Germany, [ICA_33] R. Kimball. The Data Warehouse Toolkit: Practical Techniques for Building Dimensional Data Warehouses. John Wiley and Sons, Inc., New York, NY, [ICA_34] M.A.R. Kortnik, D.L. Moody. From Entities to Stars, Snowflakes, Clusters, Constellations and Galaxies: A Methodology for Data Warehouse Design. ER Industrial Track Proceedings, 35-48, [ICA_35] N. Pra, A. Comyn-Wattiau. UML-based Data Warehouse Design Method. Decision Support Systems, 42(3), , [ICA_36] D. Theodoratos, T. Sellis. Data Warehouse Schema and Instance Design. ER, , [ICA_37] J. Widom. Research Problems in Data Warehousing. CIKM, 25-30, [ICA_38] A. Bonifati, F. Casati, U. Dayal, M.-C. Shan. Warehousing Workflow Data: Challenges and Opportunities. VLDB,2001. [ICA_39] M. Castellanos, A. Simitsis, K. Wilkinson, U. Dayal. Automating the Loading of Business Process Data Warehouses. VLDB, [ICA_40] W.M.P. van der Aalst. Process Mining: Discovering and Improving Spaghetti and Lasagna Processes. CIDM, [ICA_41] C.W. Gunther, W.M.P. van der Aalst. Fuzzy Mining - Adaptive Process Simplification Based on Multi-Perspective Metrics. BPM, [ICA_42] C. Loglisci, M. Ceci, A. Appice, D. Malerba. Discovering Process Models through Relational Disjunctive Patterns Mining. CIDM, [ICA_43] T. Neumuth, S. Mansmann, M. H. Scholl, O. Burgert. Data Warehousing Technology for Surgical Workflow Analysis. CBMS, [ICA_44] Z. Xiangdong, J. Xiao. Process Control Analysis System Based on Data Warehouse. AICI, [ICA_45] L. Mufioz, J. N. Mazon, J. Trujillo. ETL Process Modeling Conceptual for Data Warehouses: A Systematic Mapping Study. IEEE Latin America Transactions 3(9), , Descrizione dei compiti dell'unità di Ricerca Le attività di ricerca che saranno condotte dall'unità di Ricerca dell'icar-cnr all'interno del progetto di ricerca mirano alla definizione di una collezione di modelli, metodi e strumenti per la modellazione, la costruzione, l'analisi e il mining di Data Warehouse di processi clinici e sanitari, e di tecniche avanzate di mining di processi clinici e sanitari. Tali attività includeranno anche la progettazione e lo sviluppo di opportuni dimostratori software e di un sistema software prototipale che dimostrino la validità della ricerca condotta, nonché il suo impatto su applicazioni reali nel contesto dei sistemi informativi clinico-sanitari avanzati. Come descritto nella Sezione 6 Abstract dei compiti svolti dall'unità di Ricerca, i compiti svolti dall'unità di Ricerca dell'icar-cnr sono articolati nelle seguenti attività (per ogni attività svolta dall'unità di Ricerca dell'icar-cnr, si riporta anche l'attività generale del progetto di ricerca cui essa si riferisce). ICAR-A1 - Analisi dello stato dell'arte sui Data Warehouse di processi e sul Process Mining, che rientra nell'ambito dell'attività 0.1) del progetto di ricerca. ICAR-A2 - Individuazione di casi di studio significativi per il progetto di ricerca, che rientra nell'ambito dell'attività 0.2) del progetto di ricerca. ICAR-A3.1 - Modelli, metodi e strumenti a supporto dell'intero ciclo di vita di Data Warehouse di processi clinici e sanitari, che rientra nell'ambito dell'attività 3.1) del progetto di ricerca. ICAR-A3.2 - Metodologie per la progettazione di Data Mart su processi clinici e sanitari, che rientra nell'ambito dell'attività 3.1) del progetto di ricerca. ICAR-A4 - Analisi e mining di processi clinici e sanitari secondo astrazioni multidimensionali, che rientra nell'ambito dell'attività 3.2) del progetto di ricerca. ICAR-A5 - Tecniche avanzate di mining di processi clinici e sanitari, che rientra nell'ambito dell'attività 3.3) del progetto di ricerca. ICAR-A6 - Progetto ed implementazione di una suite software per la progettazione, la verifica e l'analisi di Data Warehouse di processi clinici e sanitari, che rientra nell'ambito dell'attività 4) del progetto di ricerca. Nel seguito,si fornisce una descrizione per ciascuna di queste attività, che definiscono in maggior dettaglio i compiti svolti dall'unità di Ricerca dell'icar-cnr all'interno del progetto. -Analisi dello stato dell'arte sui Data Warehouse di processi e sul Process Mining (ICAR-A1) text text text text text text text texttext text text text text text text text texttext texttext text text text text text texttext texttext text text text text text texttext text -Individuazione di casi di studio significativi per il progetto di ricerca (ICAR-A2)

7 text text text text text text text texttext text text text text text text text texttext texttext text text text text text texttext texttext text text text text text texttext text -Modelli, metodi e strumenti a supporto dell'intero ciclo di vita di Data Warehouse di processi clinici e sanitari (ICAR-A3.1) text text text text text text text texttext text text text text text text text texttext texttext text text text text text texttext texttext text text text text text texttext text In questa attività, l'unità di Ricerca dell'icar-cnr collaborerà con i seguenti organismi di ricerca internazionali: School of Informatics, University of Edinburgh, UK (Prof. Wenfei Fang); Department of Computer Science, Aalborg University, Denmark (Prof. Torben Bach Pedersen). -Metodologie per la progettazione di Data Mart su processi clinici e sanitari (ICAR-A3.2) text text text text text text text texttext text text text text text text text texttext texttext text text text text text texttext texttext text text text text text texttext text In questa attività, l'unità di Ricerca dell'icar-cnr collaborerà con i seguenti organismi di ricerca internazionali: Department of Computer Science, Aalborg University, Denmark (Prof. Torben Bach Pedersen); School of Computing Science, Simon Fraser University, Canada (Prof. Jian Pei). -Analisi e mining di processi clinici e sanitari secondo astrazioni multidimensionali (ICAR-A4) text text text text text text text texttext text text text text text text text texttext texttext text text text text text texttext texttext text text text text text texttext text In questa attività, l'unità di Ricerca dell'icar-cnr collaborerà con i seguenti organismi di ricerca internazionali: Computer Science Department/CERIAS/Cyber-Center, Purdue University, IN, USA (Prof.ssa Elisa Bertino); School of Computing Science, Simon Fraser University, Canada (Prof. Jian Pei); School of Information Technology and Electrical Engineering, University of Queensland, Australia (Prof. Xiaofang Zhou). -Tecniche avanzate di mining di processi clinici e sanitari (ICAR-A5) text text text text text text text texttext text text text text text text text texttext texttext text text text text text texttext texttext text text text text text texttext text In questa attività, l'unità di Ricerca dell'icar-cnr collaborerà con i seguenti organismi di ricerca internazionali: Computer Science Department, Worcester Polytechnic Institute, MA, USA (Prof.ssa Elke Rundensteiner); School of Computing, University of Portsmouth, UK (Dr. Mohamed Medhat Gaber). -Progetto ed implementazione di una suite software per la progettazione, la verifica e l'analisi di Data Warehouse di processi clinici e sanitari (ICAR-A6) text text text text text text text texttext text text text text text text text texttext texttext text text text text text texttext texttext text text text text text texttext text L'Unità di Ricerca dell'icar-cnr rilascerà risultati di ricerca che comprendono rapporti che riportano i risultati scientifici delle attività di ricerca e un dimostratore software prototipale che mostri l'effettiva applicabilità dei modelli, metodi e strumenti proposti su applicazioni reali nel contesto dei sistemi informativi clinico-sanitari avanzati. Di seguito, si riporta la descrizione di tali risultati di ricerca. Rapporto ICAR.R.A1.1: Stato dell'arte sui Data Warehouse di Processi - text text text text text text text text text text text text text text text text text text text text Rapporto ICAR.R.A1.2: Stato dell'arte sul Process Mining - text text text text text text text text text text text text text text text text text text text text Rapporto ICAR.R.A2: Scenari Applicativi, Casi d'uso e Requisiti di un Sistema di Supporto alle Decisioni Mediche basato sul Data Warehousing e sul Process Mining - text text text text text text text text text text text text text text text text text text text text Rapporto ICAR.R.A3.1: Modelli, Tecniche e Algoritmi per il Data Warehousing e l'olap su Processi Data-Intensive - text text text text text text text text text text text text text text text text text text text text Rapporto ICAR.R.A4: Modelli, Tecniche e Algoritmi per il Multidimensional Process Mining su Processi Data-Intensive - text text text text text text text text text text text text text text text text text text text text Rapporto ICAR.R.A5: Modelli, Tecniche e Algoritmi di Artifact-Centered Mining su Processi Data-Intensive - text text text text text text text text text text text text text text text text text text text text Rapporto ICAR.R.A6.1: Specifiche di Progetto per un Sistema di Supporto alle Decisioni Mediche basato sul Data Warehousing e sul Process Mining - text text text text text text text text text text text text text text text text text text text text Rapporto ICAR.R.A6.2: Sistema di Supporto alle Decisioni Mediche basato sul Data Warehousing e sul Process Mining: Versione Prototipale - text text text text text text text text text text text text text text text text text text text text I principali risultati di ricerca che saranno perseguiti dall'unità di Ricerca dell'icar-cnr all'interno del progetto di ricerca, per le attività riportate, sono di seguito descritti. -Attività ICAR-A3.1 - Warehousing e OLAP di Processi Data-Intensive text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text -Attività ICAR-A4 - Multidimensional Process Mining di Processi Data-Intensive text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text -Attività ICAR-A5 - Artifact-Centered Mining di Processi Data-Intensive text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text text Infine, si prevede che la maggior parte dei risultati di ricerca sopra descritti saranno pubblicati in conferenze e riviste scientifiche internazionali Descrizione delle attrezzature già disponibili ed utilizzabili per la ricerca proposta Nessuna 14 - Elenco dei partecipanti all'unità di Ricerca

8 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. CUZZOCREA Alfredo Massimiliano Ricercatore , RUFFOLO Massimo Ricercatore FOLINO Gianluigi Ricercatore MASCIARI Elio Ricercatore POURABBAS DOLATABAD Elaheh Ricercatore 0 3,5 0 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 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): Nessuno 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 , Dottore di Ricerca esperto di Data Mining e Analisi OLAP TOTALE ,000 24,

9 14.5 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 / 16 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 0 data di presentazione del progetto (da inserire a costo zero) b) dottorandi 0 c) professori a contratto d) co.co.co (solo per EPR) 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 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 D - Servizi di consulenza e simili E - Altri costi di esercizio Spesa Descrizione dettagliata in Euro (in italiano) Personale strutturato che lavorerà sul progetto di ricerca per un impegno superiore a quello imputato Dottore di Ricerca esperto di Data Mining e Analisi OLAP Spese generali (quota forfettaria pari al 60% del costo totale del personale, spesa A) Partecipazione a conferenze scientifiche internazionali focalizzate sui temi del progetto di ricerca. Costo Complessivo dell'unità di Ricerca 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. Curricula scientifici dei componenti il gruppo di ricerca 1. FOLINO Gianluigi Curriculum: Gianluigi Folino ha iniziato a lavorare nel 1999 all'icar-cnr (Istituto per il Calcolo e le Reti ad Alte Prestazioni del Consiglio Nazionale delle Ricerche), supportato da una borsa di studio dell'infn (Istituto Nazionale di Fisica Nucleare). Dal 2001 è ricercatore a tempo indeterminato presso lo stesso istituto. Dallo stesso anno, svolge anche attività di professore a contratto presso l'università della Calabria e l'università Magna Graecia di Catanzaro per molti corsi (Sistemi di Elaborazione in Rete, Fondamenti di Informatica e Informatica Applicata). I suoi interessi di ricerca sono incentrati principalmente su applicazioni di calcolo distribuito nel campo del data mining, degli algoritmi bioispirati (in particolare programmazione genetica e swarm intelligence) e della bioinformatica. E' membro del Program Committee di molte conferenze e workshop internazionali (GECCO, EuroGP, EVOBIO, PACT, NICSO etc.) Ha pubblicato più di 60 articoli in conferenze e riviste internazionali fra cui si ricordano IEEE Transactions on Evolutionary Computation, IEEE Transactions on Knowledge and Data Engineering, Parallel Computing, Information Sciences e Bioinformatics. E' stato chair per la sessione speciale Multi-Agent and Bio-Inspired Algorithms and Applications for Distributed Systems presso la conferenza IEEE PDP 2007 e per il workshop BADS 2009, 2010 e 2011 (Bio-Inspired Algorithms for Distributed Systems) presso la conferenza ICAC. E' stato guest editor di Future Generation Computer Systems, Elsevier nel 2010 e New Generation Computing, Springer, nel 2011

10 Pubblicazioni: FOLINO G., Mastroianni C (2011). Special Issue: Bio-Inspired Optimization Techniques for High Performance Computing Preface. NEW GENERATION COMPUTING, vol. 29; p , ISSN: Gori F, FOLINO G., Jetten MSM, Marchiori E (2011). MTR: taxonomic annotation of short metagenomic reads using clustering at multiple taxonomic ranks RID G RID B BIOINFORMATICS, vol. 27; p , ISSN: , doi: /bioinformatics/btq649 FOLINO G., FORESTIERO A, PAPUZZO G, SPEZZANO G (2010). A Grid Portal for Solving Geoscience Problems using Distributed Knowledge Discovery Service. FUTURE GENERATION COMPUTER SYSTEMS, vol. 26; p , ISSN: X FOLINO G., MASTROIANNI C (2010). Bio-Inspired Algorithms for Distributed Systems. FUTURE GENERATION COMPUTER SYSTEMS, vol. 26; p , ISSN: X FOLINO G., PIZZUTI C, SPEZZANO G (2010). An Ensemble-based Evolutionary Framework for coping with Distributed Intrusion Detection. GENETIC PROGRAMMING AND EVOLVABLE MACHINES, vol. 11; p , ISSN: FOLINO G., Papuzzo G (2010). Handling Different Categories of Concept Drifts in Data Streams Using Distributed GP. In: EuroGP 2010, p , ISBN/ISSN: SHAH A.A, FOLINO G., KRASNOGOR N (2010). Towards High-Throughput, Multi-Criteria Protein Structure Comparison and Analysis. IEEE TRANSACTIONS ON NANOBIOSCIENCE, vol. 9; p. 1-12, ISSN: FOLINO G., FORESTIERO A, SPEZZANO G (2009). An Adaptive Flocking Algorithm for Performing Approximate Clustering. INFORMATION SCIENCES, vol. 179; p , ISSN: FOLINO G., Gori F, Jetten MSM, Marchiori E (2009). Evidence-Based Clustering of Reads and Taxonomic Analysis of Metagenomic Data. In: PRIB 2009, p FOLINO G., PIZZUTI C, SPEZZANO G (2008). Training Distributed GP Ensemble with a Selective Algorithm based on Clustering and Pruning for Pattern Classification. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, vol. 12; p , ISSN: X ANGIULLI F, FOLINO G. (2007). Efficient Distributed Data Condensation for Nearest Neighbor Classification. In: Euro-Par 2007, LNCS FOLINO G., ANGIULLI F (2007). Distributed Nearest Neighbor Based Condensation of Very Large Datasets. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, vol. 19; p , ISSN: FOLINO G., FORESTIERO A, PAPUZZO G, SPEZZANO G (2007). Content-based mining for solving geoprocessing problems on grids. In: Proceedings of the HPDC 2007 Conference & Co-Located Workshops. Monterey, California, USA, June 2007 FOLINO G., PIZZUTI C, SPEZZANO G (2007). An Adaptive Distributed Ensemble Approach to Mine Concept-drifting Data Streams. In: Proc. of ICTAI'07, IEEE Computer Society FOLINO G., PIZZUTI C, SPEZZANO G (2007). Improving Cooperative GP Ensemble with Clustering and Pruning for Pattern Classification. In: Proc. of GECCO'07 Genetic and Evolutionary Computation Conference, ACM/SIG FOLINO G., SPEZZANO G (2007). An Autonomic Tool for Building Self-Organizing Grid-enabled Applications. FUTURE GENERATION COMPUTER SYSTEMS, vol. 23, ISSN: X FOLINO G., A. FORESTIERO, G. SPEZZANO (2006). Swarm-based Distributed Clustering in Peer-to-Peer Systems. In: 7th International Conference on Artificial Evolution, LNCS FOLINO G., FORESTIERO A, SPEZZANO G (2006). A Jxta based Asynchronous Peer-to-Peer Implementation of Genetic Programming. JOURNAL OF SOFTWARE, ISSN: X FOLINO G., MENDICINO G, SENATORE A, SPEZZANO G, STRAFACE S (2006). A model based on cellular automata for the parallel simulation of 3D unsaturated flow. PARALLEL COMPUTING, vol. 32, ISSN: FOLINO G., PIZZUTI C, SPEZZANO G (2006). GP Ensembles for Large Scale Data Classification. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, vol. 10; p , ISSN: X FOLINO G., PIZZUTI C, SPEZZANO G (2006). Improving Cooperative GP Ensemble with Clustering and Pruning for Pattern Classification. In: Proc. of GECCO'06 Genetic and Evolutionary Computation Conference, ACM/SIG FOLINO G., SPEZZANO G (2006). P-CAGE: AN ENVIRONMENT FOR EVOLUTIONARY COMPUTATION IN PEER-TO-PEER SYSTEMS. In: EUROGP 2006, LNCS M. CANNATARO, C. COMITO, A. CONGIUSTA, FOLINO G., C. MASTROIANNI, A. PUGLIESE, G. SPEZZANO, D. TALIA, AND P. VELTRI (2006). A GENERAL ARCHITECTURE FOR GRID-BASED PSE TOOLKITS. In: PROC. OF THE PARA'04 WORKSHOP ON STATE OF THE ART IN SCIENTIFIC COMPUTING. COPENAGHEN, DENMARK,LNCS FOLINO G., C. PIZZUTI, G. SPEZZANO (2005). GP Ensemble for Distributed Intrusion Detection Systems. In: ICAPR 2005, 3rd International Conference on Advances in Pattern Recognition, LNCS FOLINO G., SPEZZANO G (2005). CAMELotGrid: A Grid-based PSE for Autonomic Cellular Applications. In: PDP 2005, IEEE Computer Society FOLINO G., SPEZZANO G, PIZZUTI C (2003). A Scalable Cellular Implementation of Parallel Genetic Programming. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, vol. 7; p , ISSN: X FOLINO G., PIZZUTI C, SPEZZANO G (2001). Parallel Hybrid Method for SAT that Couples Genetic Algorithms and Local Search. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, vol. 5; p , ISSN: X FOLINO G., SPEZZANO G (2001). Predictability of Cellular Programs Implemented with CAMELot. In: Proc. of the 9th Euromicro Workshop on Parallel and Distributed Processing PDP'2001, February 2001IEEE Computer Society 2. MASCIARI Elio Curriculum: Elio Masciari ha ottenuto una laurea in Ingegneria Informatica (Università della Calabria, 1998), un Dottorato di Ricerca in Ingegneria Informatica e dei Sistemi (Università della Calabria, 2002) ed una Laurea Magistrale in Fisica (Università della Calabria, 2008). Dal Dicembre 2001 è ricercatore presso l'istituto di Calcolo e le Reti ad Alte Prestazione del Consiglio Nazionale delle Ricerche (ICAR-CNR). E' stato ricercatore visitatore presso il Dipartimento di Computer Science dell'università della California in Los Angeles (2005 e 2006, due mesi). Attualmente, ricopre l'incarico di professore a contratto presso l'università degli studi della Calabria (dall'anno accademico ) e presso l'università Magna Graecia di Catanzaro (dall'anno accademico ). I suoi interessi di ricerca attuali includono: Knowledge Discovery e Data Mining, Web Databases e Semistructured Data Management, Data Stream Mining e Mining di dati spazio-temporali. E' stato responsabile scientifico e contributor per l'icar-cnr di numerosi progetti scientifici e industriali nazionali e internazionali. Tra questi possiamo annoverare i seguenti progetti: "Pushing Intelligence into Workflow Systems" (un progetto nazionale mirato a definire nuove tecniche per estendere gli attuali Workflow Management Systems con metodi analitici avanzati che supportino progettazione, ottimizzazione e monitoring di workflow); "GeoPKDD: Geographic Privacy-Aware Knowledge Discovery and Delivery" (un progetto europeo STREP e un omonimo progetto nazionale, entrambi mirati a studiare tecniche per la raccolta e l'analisi di informazioni spazio-temporali con metodi privacy-aware); "TESEO: Techniques and methods for personalization of on-line services" (un progetto regionale per lo studio di tecniche e metodi per la generazione di servizi adattivi multimodali e multicanale per utenti web); "INFOMIX: Boosting the Information Integration" (un progetto europeo STREP per la definizione di una teoria e metodologia innovativa e robusta per una integrazione flessibile dell'informazione); "ECD: Technologies and Services for Enhanced Content Delivery" (un progetto nazionale volto a creare una tecnologia avanzata per la gestione e l'organizzazione di contenuti web con strumenti di data mining); "Discovery Farm" (un progetto regionale per la definizione e l'implementazione di un piattaforma Pervasive Knowledge Management). E' stato relatore di numerose tesi di laurea del corso di laurea presso dell'università della Calabria e presso l'università Magna Graecia di Catanzaro. E' stato supervisore di tesi di dottorato di ricerca in Ingegneria dei sistemi ed informatica e di Tirocini di ricerca finanziati dalla Regione Calabria. Membro dei comitati di programma di numerosi convegni internazionali. Ha servito come revisore in varie riviste internazionali su Basi di Dati e Data Mining, Programmazione logica e Intelligenza Artificiale. E' autore di oltre 60 pubblicazioni su riviste scientifiche e atti di convegni internazionali e nazionali. In particolare il lavoro in cui stata caratterizzata la complessità del problema della minimizzazione di query Xpath, e sono stati formalizzati diversi algoritmi per minimizzare espressioni appartenenti al frammento studiato, è stato estremamente rilevante e accettato su Journal of the ACM è un punto di riferimento nel campo. Pubblicazioni: Cuzzocrea A, MASCIARI E. (2011). Non-separable Transforms for Clustering Trajectories. In: Knowlege-Based and Intelligent Information and Engineering Systems - 15th International Conference, KES Kaiserslautern, Germany, September 12-14, 2011 MASCIARI E. (2011). Efficient and Effective Query Answering for Trajectory Cuboids. In: FQAS 2011, p , ISBN/ISSN:

11 MASCIARI E. (2011). Fast and Accurate Trajectory Streams Clustering. In: SSDBM 2011, ISBN/ISSN: MASCIARI E. (2011). Query answering on trajectory cuboids using prime numbers encodings. In: 15th International Database Engineering and Applications Symposium (IDEAS 2011) MASCIARI E. (2011). Trajectory Outlier Detection Using an Analytical Approach. In: IEEE 23rd International Conference on Tools with Artificial Intelligence. Boca Raton, November 2011 MASCIARI E., TAGARELLI A (2011). A Fuzzy Logic Approach to Wrapping PDF Documents. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, vol. 23; p , ISSN: , doi: /TKDE Angiulli F, MASCIARI E. (2010). Effectively Monitoring RFID Based Systems. In: Advances in Databases and Information Systems - 14th East European Conference MASCIARI E. (2010). Lifting Trajectories for Effective Clustering. In: 22nd IEEE International Conference on Tools with Artificial Intelligence. Newark, November 2010 Cuzzocrea A, Furfaro F, MASCIARI E., Saccà D (2009). Improving OLAP Analysis of Multidimensional Data Streams via Efficient Compression Techniques. Intelligent Techniques for Warehousing and Mining Sensor Network Data. Fazzinga B, Flesca S, MASCIARI E., Furfaro F (2009). Efficient and effective RFID data warehousing. In: International Database Engineering and Applications Symposium(IDEAS 2009). Cetraro, Italy, September 2009 MASCIARI E. (2009). A Complete Framework for Clustering Trajectories. In: ICTAI 2009, 21st IEEE International Conference on Tools with Artificial Intelligence. Newark (USA) MASCIARI E. (2009). A Framework for Trajectory Clustering. In: GeoSensor Networks, Third International Conference, GSN Oxford MASCIARI E. (2009). Trajectory Clustering via Effective Partitioning. In: Flexible Query Answering Systems, 8th International Conference,FQAS 2009 MASCIARI E., MAzzeo G M (2009). A Framework for Outlier Mining in RFID data. Development and Implementation of RFID Technology. Fazzinga B, Flesca S, Tagarelli A, Garruzzo S, MASCIARI E. (2008). A wrapper generation system for PDF documents. In: Proceedings of the 2008 ACM Symposium on Applied Computing (SAC). Fortaleza - Brazil, March 16-20, 2008 G. MANCO, MASCIARI E., A. TAGARELLI (2008). Mining categories for s via clustering and pattern discovery. JOURNAL OF INTELLIGENT INFORMATION SYSTEMS, vol. 30; p , ISSN: S. FLESCA, F. FURFARO, MASCIARI E. (2008). On The Minimization of XPath queries. JOURNAL OF THE ASSOCIATION FOR COMPUTING MACHINERY, vol. 1; p , ISSN: FLESCA, MANCO, MASCIARI E., PONTIERI, PUGLIESE (2007). Exploiting Structural Similarity for Effective Web Information Extraction. DATA & KNOWLEDGE ENGINEERING, ISSN: X MASCIARI E. (2007). A Framework for Outlier Mining in RFID data. In: Eleventh International Database Engineering and Applications Symposium (IDEAS 2007) MASCIARI E. (2007). RFID data management for effective objects tracking. In: Proceedings of the 2007 ACM Symposium on Applied Computing (SAC). Seoul, Korea, March 11-15, 2007 MASCIARI E. (2006). Outlier mining in RFID data for effective object tracking. In: Geo Sensor Networks 2006 S. FLESCA, S. GARRUZZO, MASCIARI E., A. TAGARELLI (2006). Wrapping PDF Documents Exploiting Uncertain Knowledge. In: CAISE 2006, ISBN/ISSN: FLESCA, MANCO, MASCIARI E., PONTIERI, PUGLIESE (2005). Fast Detection of XML Structural Similarity. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, ISSN: Cuzzocrea A, Furfaro F, MASCIARI E., Saccà D, Sirangelo C (2004). Approximate Query Answering on Sensor Network Data Streams. GeoSensor Networks. S. FLESCA, G. MANCO, MASCIARI E., E. RENDE, A. TAGARELLI (2004). Web wrapper induction: a brief survey. AI COMMUNICATIONS, ISSN: FLESCA, MASCIARI E. (2003). Efficient and Effective Web Change Detection. DATA & KNOWLEDGE ENGINEERING, ISSN: X S. FLESCA, F. FURFARO, MASCIARI E. (2003). On the minimization of Xpath queries. In: 29th Very Large Databases Systems. Berlino, Settembre 2003, ISBN/ISSN: Flesca S, Furfaro F, MASCIARI E. (2001). Meaningful Change Detection on the Web. In: Database and Expert Systems Applications, 12th International Conference, DEXA 2001, ISBN/ISSN: S. GRECO, MASCIARI E., L. PONTIERI (2001). Combining Inductive and deductive tools for data analysis. AI COMMUNICATIONS, ISSN: Dattilo G, Greco S, MASCIARI E., Pontieri L (2000). A Hybrid Technique for Data Mining on Balance-Sheet Data. In: Data Warehousing and Knowledge Discovery, Second International Conference, DaWaK 2000, ISBN/ISSN: POURABBAS DOLATABAD Elaheh Curriculum: Elaheh Pourabbas Dolatabad si è laureata in Ingegneria Elettronica presso l'università degli Studi di Roma "La Sapienza" nell'a.a ed ha conseguito il Dottorato di Ricerca in Bioingengeria presso l'università degli Studi di Bologna nell'a.a Nel periodo è stata ricercatrice a tempo determinato presso l'istituto di Analisi dei Sistemi ed Informatica (IASI) Antonio Ruberti - Consiglio Nazionale delle Ricerche (CNR). Nel 2001 è risultata vincitrice del concorso di Ricercatore presso l'istituto di Analisi dei Sistemi ed Informatica (IASI) Antonio Ruberti - CNR. Nel periodo , è stata Visiting Researcher presso University of California-Lawrence Berkeley National Laboratory, Berkeley, USA. Nel 2005 è stata vincitrice di una borsa Fellowship Fulbright ed ha svolto l'attività di ricerca sul tema dell'ottimizzazione delle query aggregate presso University of California-Lawrence Berkeley National Laboratory, Berkeley, USA. I suoi attuali temi di ricerca sono i seguenti: query processing and optimization; Data Warehousing e OLAP; modellazione, analisi e interrogazione di dati multi-dimensionali; rappresentazione e gestione di conoscenza; Semantic web; Similarity Reasoning; Sistemi Informativi Geografici (GIS). E' autrice di oltre 50 pubblicazioni in atti di congressi internazionali (tra cui: SSDBM, DAWAK, DEXA) e in riviste internazionali (tra cui: ACM Transactions on Database Systems, Data & Knowledge Engineering, Knowledge and Information Systems). E' membro di comitati scientifici internazionali ed ha svolto attività di revisione per varie riviste internazionali. Ha partecipato a progetti di ricerca nazionali ed internazionali. Pubblicazioni: POURABBAS E., Shoshani A. (2010). Improving Estimation Accuracy of Aggregate Queries on Data Cubes. DATA & KNOWLEDGE ENGINEERING, vol. 69; p , ISSN: X Formica A., POURABBAS E. (2009). Content Based Similarity of Geographic Classes organized as Partition Hierarchies. KNOWLEDGE AND INFORMATION SYSTEMS, vol. 20; p , ISSN: A. FORMICA, M. MISSIKOFF, POURABBAS E., F. TAGLINO (2008). Weighted Ontology for Semantic Search. In: Lecture Notes in Computer Science. Monterrey, Mexico, November 9-14, 2008Robert Meersman, Zahir Tari, vol. 5332, p , ISBN/ISSN: POURABBAS E., A. SHOSHANI (2008). Improving Estimation Accuracy of Aggregate Queries on Data Cubes. In: ACM Eleventh International Worshop on Data Warehousing and OLAP (DOLAP). NAPA VALLEY, CALIFORNIA, October 30, 2008Il-Yeol Song, Alberto Abelló, p , ISBN/ISSN: POURABBAS E., ARIE SHOSHANI (2007). Efficient Estimation of Joint Queries from Multiple OLAP Databases. ACM TRANSACTIONS ON DATABASE SYSTEMS, vol. 32(1); p. 1-43, ISSN: POURABBAS E., A. SHOSHANI (2006). The Composite OLAP-Object Data Model: Removing an Unnecessary Barrier. In: 18th International Conference on Scientific and Statistical Database Management-SSDBM. Vienna, Austria, 3-5 July 2006, p , ISBN/ISSN: F. M. MALVESTUTO, POURABBAS E. (2005). Local Computation of Answers to Table Queries on Summary Databases. In: 17th International Conference on Scientific and Statistical Database Management-SSDBM. Santa Barbara, CA, USA, June 2005James Frew, p F. M. MALVESTUTO, POURABBAS E. (2004). Customized Answers to Summary Queries via Aggregate Views. In: 16th International Conference on Scientific and Statistical Database Management-SSDBM. Santorini Island, Greece, June 2004, p , ISBN/ISSN: A. D'ONOFRIO, POURABBAS E. (2003). Modelling Temporal Thematic Map Contents. SIGMOD RECORD, vol. 32(2); p , ISSN: POURABBAS E. (2003). Cooperation with Geographic Databases. Multidimensional Databases: Problems and Solutions. Idea Group. p , ROME: Maurizio Rafanelli, ISBN/ISSN: POURABBAS E., A. SHOSHANI (2003). Answering Joint Queries from Multiple Aggregate OLAP Databases. In: Lecture Notes in Computer Science. Prague, Czech Republic, September 3-5,2003Yahiko Kambayashi, Mukesh K. Mohania, Wolfram Wöß, vol. 2737, p , ISBN/ISSN: X POURABBAS E., MAURIZIO RAFANELLI (2003). Hierarchies. Multidimensional Databases: Problems and Solutions. Idea Group. p , ROME: Maurizio Rafanelli, ISBN/ISSN: F. FERRI, POURABBAS E., M. RAFANELLI (2002). The Syntactic and Semantic Correctness of Pictorial Configurations to Query Geographic Databases

12 by PQL. In: Proceedings of the 2002 ACM Symposium on Applied Computing (SAC),. Madrid, Spain, March 10-14, 2002, p POURABBAS E., M. RAFANELLI (2002). A Pictorial Query Language for Querying Geographic Databases using Positional and OLAP operators. SIGMOD RECORD, vol. 31(2); p , ISSN: A. D'ONOFRIO, POURABBAS E. (2001). Formalization of Temporal Thematic Map Contents. In: Proceedings of 9th ACM International Symposium on Advances in Geographical Information Systems (ACM). Atlanta, GA, USA, November 9-10, 2001Walid G. Aref, p , ISBN/ISSN: POURABBAS E., A. D'ONOFRIO, M. RAFANELLI (2001). A Method to Estimate the Incidence of Communicable Diseases Under Seasonal Fluctuations with Application to Cholera. APPLIED MATHEMATICS AND COMPUTATION, vol. 118(2-3); p , ISSN: F. FERRI, POURABBAS E., M. RAFANELLI, F.L. RICCI (2000). Extending Geographic Databases for a Query Language to Support Queries Involving Statistical Data. In: 12th IEEE International Conference on Scientific and Statistical Database Management-SSDBM. Berlin, Germany, July 26-28, 2000, BERLIN: Oliver Günther, Hans-J. Lenz, p , ISBN/ISSN: POURABBAS E., RAFANELLI M (2000). Hierarchies and Relative Operators in the OLAP Environment. SIGMOD RECORD, vol. 29(1); p , ISSN: POURABBAS E., M. RAFANELLI (1998). A Voice Driven System to Support Disabled People for Using Computers. In: ICCHP98-6th International Conference on Computers Helping People with Special Needs- 15th IFIP World. Vienna, Austria & Budapest, Hungary, August 31 - September 4, 1998A. D. N. Edwards, A. Arató, & W. L. Zagler, p F. FERRI, POURABBAS E., M. RAFANELLI, G. SINDONI (1997). A System to Define and Allocate Health Care Resources on a Territory to Improve the Life Quality of the Populations in Developing Countries. COMPUTERS AND BIOMEDICAL RESEARCH, vol. 30(5); p , ISSN: F. FERRI, POURABBAS E., M. RAFANELLI, G.SINDONI (1996). Planning Health Resources Allocation Using A Geographic Information System. In: First International Conference on Geographic Information Systems in Urban, Environmental and Regiona. Samos, Greece, April, 1996Timos Sellis, Dimitri Georgoulis, p POURABBAS E., M. RAFANELLI (1996). A System for the Management of Epidemiologic Data. In: Mie'96-Medical Informatics Europe. Copenhagen, August, 1996 F. FERRI, M. RAFANELLI, POURABBAS E., G.SINDONI (1994). GIS and Health Resources Planning Problems. In: Fifth European Conference on Geographic Information System, EGIS-MARI '94. Paris, France, 29 March-1 April, 1994, p RUFFOLO Massimo Curriculum: Massimo Ruffolo (staff/icar.cnr.it/ruffolo) è ricercatore presso l'istituto di Calcolo e Reti ad alte prestazioni del Consiglio Nazionale delle Ricerche (ICAR-CNR) sito in Via P. Bucci Cubo 41/C, Rende (CS). I suoi interessi di ricerca includono i temi seguenti (ma non sono limitati ad essi): Semantic Information Extraction and Wrapping, Semantic P2P, Ontologies and Semantic Technologies, Semantic Business Process Modeling and Management, Knowledge Management, Document Understanding and Recognition, Knowledge Representation and Reasoning, Data and Text Mining, Analysis of the Impact of Information System on Organizations. Massimo Ruffolo è autore di numerose pubblicazioni scientifiche apparse su riviste internazionali e su atti di conferenze internazionali e nazionali. E' membro di comitati di programma di conferenze e workshop internazionali. Inoltre, è stato professore a contratto di diversi insegmaneti. Attualemente è professore a contratto per l'insegnamento di Informatica grafica e analisi di immagini del II anno del corso di Laurea Specialistica in Ingegneria Informatica della Facoltà di Ingegneria. Massimo Ruffolo ha fondato ed è socio della società Exeura s.r.l. - spin-off dell'università della Calabria, e Altilia s.r.l. ( spin-off del CNR. Pubblicazioni: Oro E, RUFFOLO M. (2010). SXPath - Extending XPath towards Spatial Querying on Web Documents. PROCEEDINGS OF THE VLDB ENDOWMENT, ISSN: E. ORO, RUFFOLO M. (2009). Towards a Semantic System for Managing Clinical Processes. In: Proceedings of 11th International Conference on Enterprise Information Systems PIRRÒ G, RUFFOLO M., TALIA D (2009). ECCO: On Building Semantic Links in Peer-to-Peer Networks. JOURNAL ON DATA SEMANTICS, vol. 12; p. 1-36, ISSN: E. ORO, RUFFOLO M. (2008). Description Ontologies. In: Third International Conference on Digital Information Management - ICDIM 2008 E. ORO, RUFFOLO M. (2008). Towards a System for Ontology-Based Information Extraction from PDF Documents. In: Proceedings of Ontologies, DataBases, and Applications of Semantics - ODBASE E. ORO, RUFFOLO M. (2008). XONTO: An Ontology-based System for Semantic Information Extraction from PDF Documents. In: Proceedings of the 20th IEEE Int'l Conference on Tools with Artificial Intelligence (ICTAI 2008) G. PIRRÒ, RUFFOLO M., D. TALIA (2008). Leveraging Peer-to-Peer and Ontologies for the Extended Enterprise. INTERNATIONAL JOURNAL OF BUSINESS PROCESS INTEGRATION AND MANAGEMENT, vol. 3, ISSN: RUFFOLO M., M. MANNA, V. COZZA, R. URSINO (2007). Semantic Clinical Process Management. In: Proceedings of 20th IEEE International Symposium on Computer-Based Medical Systems - CBMS RUFFOLO M., E. LE COCHE, C. MASTROIANNI, D. TALIA, G. PIRRÒ (2006). A Peer-to-Peer Virtual Office for Organizational Knowledge Management. In: Proceedings of the 6th International Conference on Practical Aspects of Knowledge Management - PAKM RUFFOLO M., M. MANNA (2006). A Logic-Based Approach to Semantic Information Extraction. In: Proceedings of the 8th International Conference on Enterprise Information Systems (ICEIS'06) RUFFOLO M., M. MANNA, L. GALLUCCI, N. LEONE, D. SACCÀ (2006). A Logic-Based Tool for Semantic Information Extraction. In: Proceedings of the 10th European Conference on Logics in Artificial Intelligence (JELIA'06) RUFFOLO M., R. CURIA, L. GALLUCCI (2005). Process Management in Health Care: A System for Preventing Risks and Medical Errors. In: Proceedings of the Business Process Management (BPM) conference E. ORO, RUFFOLO M. (2009). A Semantic Clinical Knowledge Representation Framework for Effective Health Care Risk Management. In: Proceedings of 12th International Conference on Business Information Systems - BIS ORO E, RUFFOLO M., SACCÀ D (2009). Ontology-Based Information Extraction from PDF Documents with XONTO. INTERNATIONAL JOURNAL ON ARTIFICIAL INTELLIGENCE TOOLS, vol. 18; p , ISSN: E. ORO, RUFFOLO M. (2009). PDF-TREX: An Approach for Recognizing and Extracting Tables from PDF Documents. In: Proceedings of 11th International Conference on Document Analysis and Recognition - ICDAR, p