logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-09242019-090231


Tipo di tesi
Tesi di laurea magistrale
Autore
TALLARICO, SALVATORE, GIOVANNI, PIETRO
URN
etd-09242019-090231
Titolo
Selezione di dispositivi medici attraverso un'analisi multi-criterio. Il caso dei dispositivi basati su tecnologia Brain-Control Interface.
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA BIOMEDICA
Relatori
relatore Prof.ssa Pellegrini, Luisa
correlatore Dott.ssa Mamone, Domenica
correlatore Dott. Spaziante, Luigi
controrelatore Prof. Landini, Luigi
Parole chiave
  • Brain-Control Interface
  • dispositivi medici
  • Health Technology Assessment
  • HTA
  • IF-TOPSIS
  • MCDA
  • medical devices
  • MultiCriteria Decision Analysis
Data inizio appello
11/10/2019
Consultabilità
Non consultabile
Data di rilascio
11/10/2089
Riassunto
Introduzione
Negli ultimi anni i modelli decisionali per l’Health Technology Assessment sono stati combinati con analisi multi-criterio delle decisioni (MCDA) [1, 2] per l’acquisto di dispositivi medici (DM); ad oggi tre sono le criticità.
In primis i criteri sono su misura del device da valutare (es. [3]); ciò rende inutilizzabili le tecniche MCDA, essendo ogni volta necessario proporre e validare i criteri e le scale di misura. Viceversa, vengono proposti criteri generali [4] senza differenziare i DM per alimentazione, invasività, durata e rischio.
Altra criticità è la scelta della tecnica MCDA [5] spesso a favore della AHP, non in grado però di gestire aspetti imprecisi e vaghi [6] tipici della scelta dei DM.
Critica è poi l’aggregazione dei giudizi dei decisori i) sui DM in base ai criteri e ii) sui pesi da assegnare ai decisori. La combinazione dei giudizi sui criteri (i) spesso usa mezzi ‘costosi’ (es. Delphi [7]). Relativamente a (ii), l’attribuzione dei pesi ai decisori ad opera di un super-decisore può introdurre distorsioni [8].

Obiettivo
Proporre uno strumento di HTA che, classificando i DM, superi le tre criticità:
• prevedendo criteri diversi per le 4 classi di appartenenza dei DM (D.Lgs. 46/97) con possibilità di modifica;
• impiegando tecniche MCDA capaci di gestire informazioni oggettive e soggettive, valori imprecisi e precisi;
• prevedendo che i pesi dei decisori siano valutati da pari.
Verrà usata la tecnica IF-TOPSIS [9] nella versione peer [8] che gestisce soggettività, imprecisione e vaghezza ed evita l’attribuzione centralizzata dei pesi dei decisori.

Metodologia
Sono previste tre fasi:
1. Analisi del contesto decisionale, suddivisa a sua volta in tre sottofasi quali la definizione del problema affrontato, l’individuazione dell’ambito e dei limiti della decisione e il chiarimento dei ruoli e delle responsabilità del team decisionale.
2. Identificazione dei criteri per le classi di DM, sulla base della letteratura e di indicazioni di clinici/manager per assicurarne la validità.
3. Raccolta dati e uso della tecnica peer-IF-TOPSIS per classificare MD di supporto a pazienti locked-in state, secondo le fasi descritte in [8] e [9].

Contributo
L’algoritmo proposto in questo elaborato di tesi ha trovato un importante riscontro applicativo nella valutazione di dispositivi medici basati su tecnologia Brain-Control Interface (BCI); si è, infatti, condotta una valutazione di tre dispositivi basati su tale tecnologia, ognuno appartenente ad una delle classi di DM, ottenendo attraverso la metodologia vista un ranking delle scelte.
Il modello decisionale così costituito è capace di affrontare i limiti degli strumenti attuali in ottica di efficacia e efficienza. I criteri strutturati per classi di DM rendono questo strumento di impiego immediato, senza consumare risorse nella loro riprogettazione. Lo strumento aggrega poi le opinioni dei decisori, senza fare ricorso a metodi time consuming.
L’efficienza di questo strumento ne facilita l’impiego in acquisti di importo non elevato, per i quali le tecniche MCDA sono proibitive. Ciò implica trasparenza su un maggior numero di processi di acquisto.

Bibliografia
[1] Martelli N., Hansen P., van den Brink H., Boudard A., Cordonnierd A.-L., Devaux C., Pineau J., Prognon P., Borget I. (2016), Combining multi-criteria decision analysis and mini-health technology assessment: A funding decision-support tool for medical devices in a university hospital setting, Journal of Biomedical Informatics, 59, February, pp. 201-208
[2] Kidholm K., Ehlers, L., Korsbek L., Kjærby R., Beck M. (2009), Assessment of the quality of mini-HTA. International Journal of Technology Assessment in Health Care, 25 (1), January 2009, pp. 42-48
[3] Sloane, E.B. (2004), Using a decision support system tool for healthcare technology assessments, IEEE Engineering in Medicine and Biology Magazine, 23, pp. 42-55
[4] Sampietro-Colom L. (2012), Development and test of a decision support tool for hospital health technology assessment, International Journal of Technology Assessment in Health Care, 28:4 (2012), 460–465
[5] Ivlev I., Kneppo P., Bartak M. (2014), Multicriteria decision analysis: a multifaceted approach to medical equipment management, Technological and economic development of economy, 20(3), pp 576–589
[6] Byun, H.S., Lee, K.H. (2005), A decision support system for the selection of a rapid prototyping process using the modified TOPSIS method. International Journal of Advanced Manufacturing Technology 26, 1338–1347
[7] Dyer R.F., Forman E.H. (1992) “Group decision support with the Analytic Hierarchy Process,” Decision Support Sysstems, 8 (2), pp. 99–12
[8] Aloini, D., Dulmin, R., Mininno, V. (2010), A hybrid Fuzzy-Promethee method for logistics service selection: design of a decision support tool. Int. J. Uncertainty Fuzziness Knowledge Based Syst. 18 (4), 345–369
[9] Boran, F.E., Genç, S., Kurt, M., Akay, D. (2009), A multi-criteria intuitionistic fuzzy group decision making for supplier selection with TOPSIS method. Expert Systems with Applications, 36 (8), 11363–11368
File