Redraw

Titolo del progetto: fedeRatED leaRning for humAn Wellbeing

Programma di Finanziamento: PNRR - Missione 4- Componente 2 - Investimento 1.1: Progetti di Ricerca di Rilevante Interesse Nazionale (PRIN) - Avviso 1409 del 14/09/2022 BANDO PRIN 2022 PNRR

Codice Progetto: Codice identificativo MUR: P2022MWE3S

Settore ERC: PE - Physical Sciences and Engineering

CUP: H53D23008190001

Ruolo Uniba: R.U.L.

Responsabile scientifico: prof. Mario Alessandro Bochicchio

Referente amministrativo: Francesco Perri

Dipartimento: Dipartimento di Informatica

Finalità: il progetto REDRAW si focalizza sul miglioramento delle tecnologie sanitarie attraverso l'adozione del Federated Learning per rispettare privacy, sicurezza e sovranità digitale europea. Il progetto mira a sviluppare strumenti di monitoraggio intelligenti che apprendono localmente per migliorare la diagnosi e il trattamento senza compromettere la privacy degli utenti. Si realizza mediante collaborazioni con istituti clinici per affrontare diverse condizioni sanitarie, promuovendo un approccio sanitario predittivo, preventivo, personalizzato e partecipativo.

Abstract: Il settore sanitario ha subito cambiamenti significativi e ha adottato su larga scala soluzioni digitali eterogenee. Un numero crescente di cittadini in tutta Europa si aspetta di accedere alle cure in modo rapido e semplice, scegliendo dispositivi intelligenti per la salute a distanza per condividere con i medici i propri dati sanitari. Questo genera flussi di informazioni destinati ai fornitori di assistenza sanitaria, per migliorare i processi di diagnosi, monitoraggio e trattamento di un numero crescente di condizioni, principalmente in pazienti fragili. Le Amministrazioni Sanitarie Pubbliche stanno definendo accordi per determinare quali tecnologie siano più efficaci e quale infrastruttura IT possa garantire un accesso sicuro, protetto e interoperabile per la raccolta, l'elaborazione e la distribuzione dei flussi informativi dai pazienti, ma anche dalla popolazione generale sana, al fine di fornire un sistema sostenibile, predittivo, preventivo, personalizzato e partecipativo. I singoli paesi europei hanno avviato piani per la digitalizzazione dei servizi sanitari transfrontalieri e la creazione di uno spazio europeo dei dati sanitari. Un approccio razionale alla gestione di un sistema così complesso non può prescindere dall'uso di sistemi computazionali basati su risorse cloud e dispositivi edge attraverso sistemi eterogenei e multilivello (continuo cloud-edge).
Nell'ambito del progetto REDRAW, lo sviluppo della ricerca in questo campo è particolarmente rilevante per almeno due motivi:

  • migliorare le tecnologie adottate per il monitoraggio, la diagnosi e la gestione del trattamento di condizioni sanitarie specifiche;
  • la necessità di sviluppare approcci più rispettosi delle limitazioni di privacy, riservatezza, cybersicurezza, responsabilità e sovranità digitale europea, ancora largamente assenti dal mercato.

REDRAW propone lo studio e la messa a punto di tecniche di dispiegamento dinamico cloud-edge, che sfruttano modelli di Federated Learning (FL), in tre contesti reali, per migliorare le caratteristiche tecnologiche delle soluzioni esistenti, rispettando i vincoli strategici che caratterizzano gli scenari italiani ed europei.
Con l'applicazione del paradigma FL nel continuo cloud-edge, REDRAW consentirà lo sviluppo di strumenti intelligenti di monitoraggio, che addestrano localmente un modello personalizzato che impara a valutare le informazioni sul benessere dell'utente. La raccolta e l'elaborazione centralizzata dei modelli addestrati sarà sfruttata per apprendere come tali condizioni stiano evolvendo nella popolazione generale senza violare la privacy degli utenti, ma permettendo il dispiegamento di nuovi modelli che considerano le tendenze globali.
I tre casi di studio indagano (1) l'assistenza sanitaria materno-fetale in gravidanza, condotta in collaborazione con la Clinica Ostetrica e Ginecologica del Policlinico di Bari, (2) il trattamento dei disturbi neuromuscolari che caratterizzano molte malattie genetiche e degenerative legate a traumi o invecchiamento, in collaborazione con la Clinica Neurologica dell'Università di Pisa, e (3) il monitoraggio dei disturbi del sonno presso l'IBB CNR di Napoli.

Risultati attesi:

  1. Miglioramento delle Tecnologie Sanitarie: Implementazione di tecnologie avanzate per il monitoraggio, la diagnosi e il trattamento di condizioni sanitarie specifiche, migliorando così la qualità dell'assistenza fornita.
  2. Integrazione del Federated Learning: Riuscire a implementare con successo il modello di Federated Learning nel contesto cloud-edge per sviluppare sistemi che addestrano modelli di machine learning localmente, proteggendo al contempo la privacy degli utenti.
  3. Sviluppo di Modelli Personalizzati: Generazione di modelli di monitoraggio intelligenti che apprendono le caratteristiche specifiche di benessere degli utenti, permettendo un'analisi più accurata e personalizzata delle condizioni di salute.
  4. Osservazioni sulla Popolazione Generale: Raccolta di informazioni sulla evoluzione delle condizioni di salute nella popolazione senza infrangere la privacy individuale, fornendo dati preziosi per la ricerca e lo sviluppo di nuove terapie.
  5. Adempimento ai Vincoli Normativi e Etici: Rispetto delle normative sulla privacy, la riservatezza e la sicurezza informatica, rafforzando la fiducia nell'uso delle tecnologie digitali nel settore sanitario.

Partenariato:

Capofila: Università degli Studi della Campania "Luigi Vanvitelli" – prof. Salvatore Venticinque

Partner di progetto:

  • Consiglio Nazionale delle Ricerche – dott. MAGLIULO Mario;
  • Università degli Studi di Bari Aldo Moro – prof. Mario Alessandro Bochicchio.

 

Contributo MUR: € 239.995,00

Budget Uniba: € 80.011,00

Data avvio delle attività: 30/11 2023

Data fine delle attività: 29/11/2025

Pagina web progetto: https://redraw.cloud/