Foto Giorgio Leonardi

Giorgio LEONARDI

 
 
SSD INF/01
Matricola 004401

Impegni settimanali

Ricevimento e Altre Informazioni

Su appuntamento da fissare via e-mail

A. A. 2012 / 2013
Primo Semestre
SSD: INF/01
CFU: 9
Dipartimento: Dipartimento di Giurisprudenza e Scienze Politiche, Economiche e Sociali
A. A. 2013 / 2014
Primo Semestre
SSD: INF/01
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
Secondo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2014 / 2015
Primo Semestre
SSD: INF/01
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
A. A. 2015 / 2016
Primo Semestre
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
A. A. 2016 / 2017
Primo Semestre
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
A. A. 2017 / 2018
Primo Semestre
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: I
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2018 / 2019
Primo Semestre
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
Secondo Semestre
SSD: I
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2020 / 2021
Annuale
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
Primo Semestre
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Secondo Semestre
SSD: I
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2021 / 2022
Primo Semestre
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
Secondo Semestre
SSD: I
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2019 / 2020
Primo Semestre
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
Secondo Semestre
SSD: I
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2022 / 2023
Primo Semestre
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale
Secondo Semestre
SSD: I
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2023 / 2024
Annuale
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Primo Semestre
SSD: I
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: I
CFU: 1
Dipartimento: Dipartimento di Medicina Traslazionale

Pubblicazioni

Ricerca

Serviceflow Management per il trattamento di pazienti affetti da malattie croniche. Questo tipo di pazienti è seguito da agenti operanti in numerose strutture (ospedali, centri diagnostici, ASL, ecc.), le quali devono cooperare per gestire correttamente il processo di cura e lo scambio di documentazione. Il Serviceflow è una architettura studiata appositamente per omogeneizzare il lavoro degli agenti e supportare il paziente nel suo percorso terapeutico, gestendo altresì le necessità di self-care a casa.

Business Process Management per il miglioramento dei processi di cura Business Process Management. Applicazione di tecniche di process mining ai log creati dai servizi informativi delle strutture ospedaliere, per estrarre il processo con il quale i pazienti affetti da condizioni specifiche (es. affetti da stroke) vengono trattati.  Questo permette di capire che cosa viene effettivamente fatto nella struttura, per poterlo confrontare con le procedure che ci si aspetta vengano seguite dal personale. Dal confronto, emergono differenze che possono aiutare a capire perché le procedure attese non sono seguite, ricavando informazioni utili per l’ottimizzazione e il miglioramento del processo di cura.

Case Based Reasoning, serie temporali e astrazioni temporali. In molti contesti nei quali il CBR si dimostra una valida tecnica per il recupero di casi simili, esiste il problema del trattamento delle serie temporali. In questo campo, mi occupo del recupero efficiente di serie temporali, attraverso l’applicazione di tecniche di riduzione della dimensionalità che permettono il calcolo della distanza su pochi punti rappresentativi e non su tutti i punti della serie, e sull’introduzione di alberi di indicizzazione spaziale che ottimizzano il recupero delle serie. Mi occupo inoltre della trasformazione di features in forma di serie temporale in sequenze di astrazioni di trend e stati. Il recupero efficiente di questi casi avviene grazie a una nuova struttura di indicizzazione multi-dimensionale, interrogabile attraverso query flessibili, che tengano conto di diversi livelli di granularità temporale e diversi livelli tassonomici del linguaggio che descrive trend e stati.

Sviluppo di ontologie e relativi strumenti computazionali. Nello sviluppo di sistemi di supporto alle decisioni, particolare attenzione è rivolta allo sviluppo di ontologie che permettono la rappresentazione e il ragionamento sugli effetti provocati delle azioni eseguite durante lo svolgimento del processo (produttivo, clinico o altro). Definiamo queste ontologie attraverso tre classi principali: State, Action ed EffectAction. Gli States sono astrazioni ottenute a dai dati generati dal processo. Questi stati sono catalogati in initial states (stati iniziali del processo), goal states (stati desiderati o comunque finali) e intermediate process states. Partendo da un initial (o da un current) state, è possible raggiungere un goal state seguendo le azioni raccomandate e formalizzate tramite classi di tipo Action. Relazioni sono state introdotte per realizzare legami tra queste entità, come ad esempio, la relazione Effect-Action, che realizza il legame tra un’azione e il suo effetto (uno State causato dall’azione stessa).

-----------------------------------------------------------------

Serviceflow Management for the treatment of patients with chronic diseases. This type of patients is followed by agents operating in many facilities (hospitals, diagnostic centers, ASL, etc.), Who must cooperate to properly manage the care process and the exchange of documentation. The Serviceflow is an architecture specifically designed to standardize the work of the agents involved and to support the patient in his therapeutic path, also managing the need for self-care at home.

Business Process Management for the improvement of care processes. Application of process mining techniques to process logs created from the information services of hospitals, to extract the process model by which patients with specific conditions (eg. Suffering from stroke) are treated. This allows to understand what is actually done in the structure, in order to compare this model with the procedures that are expected to be performed by the staff. This comparison highlights the differences that can help understanding why the expected procedures are not properly managed, obtaining useful information for the optimization and improvement of the care process.

Case Based Reasoning, time series and temporal abstractions. In many contexts where CBR is a valid technique for the retrieval of similar cases, the problem of the treatment of time series arises. In this field, our research focuses on efficient retrieval of similar time series, through dimensionality reduction techniques that allow the calculation of the distance of few representative points instead of all the points of the time series. Furthermore, the introduction of Spatial Indexing trees optimize even more the retrieval performance. Moreover, the transformation of those features in the form of abstractions of trend and states allows the efficient recovery of cases, thanks to a new multi-dimensional indexing structure providing flexible queries. This structure takes into account different levels of temporal granularity and different taxonomic levels of the language that describing trends and states.

Development of computational ontologies for decision support. In the development of decision support systems, special attention is paid to the development of ontologies that allow the representation and reasoning on the caused effects of actions taken during the course of a process (manufacturing, clinical or other). We define these ontologies through three main classes: State, Action and EffectAction. The States are abstractions obtained from the data generated by the process. These states are categorized into initial states (initial states of the process), goal states (states desired final or otherwise) and intermediate process states. Starting with an initial (or a current) state, it is possible to reach a goal, following the recommended actions formalized through classes of type Action. Relations have been introduced to relate these entities (like for example, the Effect-Action relation), which realizes the link between actions and their effect (one State caused by the actions themselves).