The work proposes a decision tree, a well-known supervised machine learning algorithm, aiming at formalizing clinical processes and figure out the implicit knowledge used by clinicians in order to support their decision making process. The experimental framework employs a dataset of 290 clinical records (with 39 attributes) of patients assisted in the Orthodontic School at the University of Naples “Federico II”. The whole procedure has the dual purpose of improving orthodontists’ within and between agreeement so as to validate, from a clinical point of view, the heuristics generated by the decision tree. On the whole, the proposed approach, besides meeting the criteria proposed by Bodemer et al. for accuracy, ease of use and speed, pro- duces an improvement of orthodontists agreement levels and a reduction of the attributes needed to take the clinical decision. Overall, from a managerial perspective, it turns to a reduction of costs in terms of both diagnostic and clinical examinations.

Il lavoro propone un’implementazione di albero decisionale per la modellizzazione dei processi sanitari e il sup- porto al decision-making in ambito ortodontico. La sperimentazione, che impiega un dataset costituito da 290 cartelle cliniche (costituite da 39 attributi) di pazienti della scuola di Odontoiatria dell’Università d Napoli Fede- rico II, ha il duplice obiettivo di migliorare il grado di within e between agreeement tra gli ortodontisti e valida- re, da un punto di vista clinico, le euristiche generate tramite l’albero decisionale. La procedura, oltre a soddisfare i criteri di accuratezza, facilità di utilizzo e rapidità proposti da Bodemer et al. (2015), migliora il livello di agreement fra gli ortodontisti e, allo stesso tempo, riduce il numero di attributi impiegati per arrivare alla decisione ortodontica. Tutto ciò, sul piano dell’efficienza gestionale, implica una riduzione dei costi delle prestazioni, sia per gli esami diagnostici sia per quelli clinici.

Decision-making odontoiatrico: un modello basato su alberi decisionali

D'Avanzo E.;Adinolfi P.
;
2018-01-01

Abstract

The work proposes a decision tree, a well-known supervised machine learning algorithm, aiming at formalizing clinical processes and figure out the implicit knowledge used by clinicians in order to support their decision making process. The experimental framework employs a dataset of 290 clinical records (with 39 attributes) of patients assisted in the Orthodontic School at the University of Naples “Federico II”. The whole procedure has the dual purpose of improving orthodontists’ within and between agreeement so as to validate, from a clinical point of view, the heuristics generated by the decision tree. On the whole, the proposed approach, besides meeting the criteria proposed by Bodemer et al. for accuracy, ease of use and speed, pro- duces an improvement of orthodontists agreement levels and a reduction of the attributes needed to take the clinical decision. Overall, from a managerial perspective, it turns to a reduction of costs in terms of both diagnostic and clinical examinations.
2018
Il lavoro propone un’implementazione di albero decisionale per la modellizzazione dei processi sanitari e il sup- porto al decision-making in ambito ortodontico. La sperimentazione, che impiega un dataset costituito da 290 cartelle cliniche (costituite da 39 attributi) di pazienti della scuola di Odontoiatria dell’Università d Napoli Fede- rico II, ha il duplice obiettivo di migliorare il grado di within e between agreeement tra gli ortodontisti e valida- re, da un punto di vista clinico, le euristiche generate tramite l’albero decisionale. La procedura, oltre a soddisfare i criteri di accuratezza, facilità di utilizzo e rapidità proposti da Bodemer et al. (2015), migliora il livello di agreement fra gli ortodontisti e, allo stesso tempo, riduce il numero di attributi impiegati per arrivare alla decisione ortodontica. Tutto ciò, sul piano dell’efficienza gestionale, implica una riduzione dei costi delle prestazioni, sia per gli esami diagnostici sia per quelli clinici.
File in questo prodotto:
Non ci sono file associati a questo prodotto.

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11386/4731321
 Attenzione

Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo

Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus 0
  • ???jsp.display-item.citation.isi??? ND
social impact