Prof. Marco Alfò: i libri dei suoi insegnamenti

1. Quali sono le principali funzioni di un sistema informativo ospedaliero?
2. Che cosa si intende per cartella clinica elettronica e quali vantaggi presenta?
3. Come si garantisce la sicurezza dei dati sanitari nei sistemi informatici?
4. Quali sono le norme sulla privacy applicabili ai dati sanitari dei pazienti?
5. Che cosa si intende per interoperabilità tra sistemi informativi sanitari?
6. Come si organizza la raccolta e l'analisi dei dati per il monitoraggio dei processi assistenziali?
7. Quali indicatori si utilizzano per valutare l'efficienza di un reparto?
8. In che modo i codici di classificazione delle diagnosi facilitano la gestione dei dati?
9. Che cosa si intende per telemedicina e quali applicazioni ha in ambito sanitario?
10. Quali precauzioni vanno adottate nell'uso di dispositivi digitali per la gestione dei pazienti?
11. Come si realizza un database per il monitoraggio di una patologia cronica?
12. Quali sono le principali fasi di un progetto di informatizzazione in sanità?
13. In che modo il dato clinico può essere utilizzato per la ricerca e la programmazione sanitaria?
14. Quali competenze digitali sono richieste al personale sanitario?
15. Che cosa si intende per fascicolo sanitario elettronico e chi può accedervi?
16. Come si verifica l'integrità di un dato digitale nel tempo?
17. Quali strumenti statistici sono utili per l'analisi dei dati di gestione sanitaria?
18. Come si valuta l'impatto di un sistema informatico sui tempi di lavoro del personale?
19. Quali rischi sono associati all'uso di sistemi automatizzati per la gestione dei turni?
20. In che modo la gestione informatica dei magazzini sanitari riduce gli sprechi?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per spazio campionario ed evento in un esperimento casuale?
2. Quali sono gli assiomi di Kolmogorov per una misura di probabilità?
3. Come si calcola la probabilità condizionata e quando due eventi sono indipendenti?
4. Che cosa afferma il teorema di Bayes e in quali problemi si applica?
5. Quali sono le principali distribuzioni discrete e in quali situazioni si utilizzano?
6. Come si definisce la funzione di densità di una variabile continua?
7. Che cosa rappresenta la funzione di ripartizione di una variabile aleatoria?
8. Come si calcola il valore atteso di una funzione di variabile aleatoria?
9. Che cosa misura la varianza e quali proprietà ha?
10. Quali sono le caratteristiche della distribuzione normale e perché è centrale in statistica?
11. Che cosa afferma la legge dei grandi numeri?
12. Che cosa afferma il teorema del limite centrale e quali condizioni richiede?
13. Come si definisce la covarianza tra due variabili aleatorie?
14. Come si ricava la distribuzione di una variabile ottenuta come trasformazione di un'altra?
15. Che cosa si intende per stimatore non distorto e per stimatore consistente?
16. Come si costruisce uno stimatore di massima verosimiglianza?
17. Quali proprietà deve avere uno stimatore per essere considerato efficiente?
18. Come si costruisce un intervallo di confidenza per la media di una popolazione normale?
19. Che cosa si intende per verifica di ipotesi e quali sono gli errori possibili?
20. Come si calcola la probabilità di un evento usando la combinatoria?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per apprendimento supervisionato e quali differenze ha con quello non supervisionato?
2. Come si definisce il problema della regressione e quale funzione di errore si utilizza?
3. Che cosa si intende per classificazione binaria e come si valuta un classificatore?
4. Come si costruisce un insieme di addestramento, di validazione e di test?
5. Che cosa si intende per errore di generalizzazione e come si stima?
6. Quali sono le caratteristiche dei modelli lineari per la regressione e la classificazione?
7. Come si applica la regressione logistica a un problema di classificazione?
8. Che cosa si intende per albero decisionale e come si costruisce?
9. Quali metodi di ensemble migliorano la stabilità delle predizioni?
10. Come si gestisce il compromesso tra bias e varianza nella scelta di un modello?
11. Che cosa si intende per validazione incrociata e quali varianti esistono?
12. Come si regolarizza un modello per ridurre il rischio di sovradattamento?
13. Quali sono le caratteristiche delle macchine a vettori di supporto nella classificazione?
14. Come si preparano i dati prima dell'addestramento di un modello supervisionato?
15. Che cosa si intende per selezione delle caratteristiche e perché è utile?
16. Come si valuta l'importanza delle variabili in un modello predittivo?
17. Quali metriche si usano per valutare un modello di regressione?
18. Come si confrontano più modelli supervisionati in modo corretto?
19. Quali problemi si incontrano con dati etichettati in quantità limitata?
20. Come si interpreta la predizione di un modello supervisionato in un contesto applicativo?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per apprendimento supervisionato e quali differenze ha con quello non supervisionato?
2. Come si definisce il problema della regressione e quale funzione di errore si utilizza?
3. Che cosa si intende per classificazione binaria e come si valuta un classificatore?
4. Come si costruisce un insieme di addestramento, di validazione e di test?
5. Che cosa si intende per errore di generalizzazione e come si stima?
6. Quali sono le caratteristiche dei modelli lineari per la regressione e la classificazione?
7. Come si applica la regressione logistica a un problema di classificazione?
8. Che cosa si intende per albero decisionale e come si costruisce?
9. Quali metodi di ensemble migliorano la stabilità delle predizioni?
10. Come si gestisce il compromesso tra bias e varianza nella scelta di un modello?
11. Che cosa si intende per validazione incrociata e quali varianti esistono?
12. Come si regolarizza un modello per ridurre il rischio di sovradattamento?
13. Quali sono le caratteristiche delle macchine a vettori di supporto nella classificazione?
14. Come si preparano i dati prima dell'addestramento di un modello supervisionato?
15. Che cosa si intende per selezione delle caratteristiche e perché è utile?
16. Come si valuta l'importanza delle variabili in un modello predittivo?
17. Quali metriche si usano per valutare un modello di regressione?
18. Come si confrontano più modelli supervisionati in modo corretto?
19. Quali problemi si incontrano con dati etichettati in quantità limitata?
20. Come si interpreta la predizione di un modello supervisionato in un contesto applicativo?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Quali passaggi sono necessari per preparare un dataset clinico prima di un'analisi statistica?
2. Come si usa R per importare e pulire dati provenienti da file con formati diversi?
3. Come si calcolano le statistiche descrittive di una variabile e quando la mediana è preferibile alla media?
4. Che cosa si intende per codifica di variabili categoriche e come si gestiscono le categorie rare?
5. Come si verifica la normalità di una distribuzione e con quali strumenti grafici e numerici?
6. Come si esegue un'analisi della varianza a una via e come si interpretano i risultati?
7. Come si costruisce una tabella di contingenza e quale test si applica per verificare l'indipendenza?
8. Quali sono le fasi per adattare un modello di regressione lineare multipla in un ambiente di calcolo statistico?
9. Come si controllano i residui di un modello di regressione per verificarne le ipotesi?
10. Che cosa si intende per multicollinearità e come si diagnostica?
11. Come si gestisce la presenza di dati mancanti nei modelli statistici applicati a dati clinici?
12. Come si produce un report riproducibile che integri codice, tabelle e grafici?
13. Quali indicatori si utilizzano per valutare la bontà di adattamento di un modello?
14. Come si confrontano due modelli annidati tramite il test del rapporto di verosimiglianza?
15. Quali sono le principali differenze tra inferenza frequentista e bayesiana in un contesto biomedico?
16. Come si stima un intervallo di confidenza con il metodo bootstrap e quando è utile?
17. Come si effettua una simulazione Monte Carlo per valutare il comportamento di uno stimatore?
18. Come si interpreta un grafico di Kaplan-Meier prodotto a partire da un dataset clinico?
19. Quali controlli di qualità si eseguono su un output statistico prima di usarlo in una pubblicazione?
20. Come si documenta un'analisi statistica in modo che altri possano ripeterla?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.