ETD

• disaster medicine
• emergenze
• epidemiologia
• preparedness

Lo studio analizza l’epidemiologia dei disastri avvenuti in Italia tra il 2000 e il 2024, utilizzando i dati EM-DAT integrati con fonti ISTAT.
Sono stati classificati 159 eventi naturali e tecnologici, valutandone gli impatti in termini di morti, feriti, sfollati e danni economici. Attraverso un approccio PCA-based, è stato costruito uno score sintetico di severità che integra queste variabili in un unico indice quantitativo, utile per confrontare eventi eterogenei e orientare strategie di preparedness. Lo score assegna maggiore peso a feriti e sfollati, riflettendo una concezione di severità non solo sanitaria ma anche sociale.
Il terremoto dell’Aquila del 2009 emerge come l’evento più grave del periodo, seguito dai terremoti dell’Emilia e di Amatrice, e dalle alluvioni del 2000 e del 2023. Un modello Random Forest ha validato lo score, mostrando buona capacità predittiva e stabilità tra training e validazione.
Lo studio propone uno strumento innovativo di valutazione multidimensionale dei disastri, con prospettive di sviluppo verso un sistema predittivo basato su intelligenza artificiale e integrabile in piattaforme di early warning e sorveglianza epidemiologica.

This study analyzes disasters in Italy from 2000 to 2024 using EM-DAT and ISTAT data. A total of 159 natural and technological events were examined, assessing deaths, injuries, displaced persons, and economic losses. A PCA-based severity score was developed to integrate these indicators into a single composite index, allowing comparison across heterogeneous events and supporting preparedness strategies. The score assigns greater weight to injuries and displacements, highlighting a multidimensional concept of severity encompassing both health and social impacts.
The 2009 L’Aquila earthquake ranked as the most severe event, followed by the Emilia and Amatrice earthquakes, and the 2000 and 2023 floods. A Random Forest model validated the score, confirming good predictive accuracy and model stability.
The research introduces an innovative approach to disaster severity assessment, paving the way for AI-based predictive systems integrated into national early warning and epidemiological surveillance platforms.