Di seguito gli ultimi 3 webinar del 2025.
28/11/2025 slot 12:00-13:00
Meta-analisi Bayesiane: un’introduzione pratica- Prof. Dr. Gian Luca Di Tanna
16/12/2025 slot 15:00-16:00
Le Network Meta-Analisi: una introduzione alla metodologia- Prof.ssa Cinzia del Giovane
22 /01/2026, slot 12:00-13:00
SAFE machine learning- Prof. Paolo Giudici
[Collegati qui per accedere ai webinar]
ID riunione: 945 7614 5928 - Codice d’accesso: 011166
-----------------------------------------------------------------------------------------------------------------
Abstract dei 3 webinar
IX Meta-analisi Bayesiane: un’introduzione pratica
28/11/2025 slot 12:00-13:00
Prof. Dr. Gian Luca Di Tanna, CStat
Full Professor of BioStatistics and Health Economics | Head of Research and Services
DEASS – Department of Business Economics, Health and Social Care
SUPSI – University of Applied Sciences and Arts of Southern Switzerland
Questo webinar rappresenta la naturale prosecuzione dei seminari introduttivi alla meta-analisi tenuti dal Prof. Roberto D'Amico, esplorando come l'approccio Bayesiano possa superare le limitazioni dei metodi tradizionali.
Le meta-analisi frequentiste mostrano alcune criticità significative con studi di piccole dimensioni, dati mancanti o elevata eterogeneità. L'approccio Bayesiano offre soluzioni naturali a questi problemi, fornendo interpretazioni più intuitive attraverso distribuzioni di probabilità anziché test di significatività.
Basandosi su "Bayesian Meta-Analysis: A Practical Introduction" (Grant & Di Tanna, CRC Press 2025), il webinar presenterà:
- Vantaggi interpretativi: probabilità a posteriori vs p-values
- Gestione dell'incertezza sui parametri di eterogeneità
- Incorporazione di informazioni a priori da studi precedenti
- Aggiornamento sequenziale per living systematic reviews
- Software accessibili (JASP, R) con esempi pratici
Attraverso casi di studio clinici, verrà dimostrato come questi metodi migliorino la robustezza delle sintesi di evidenze per decision-making clinico e linee guida e siano uno strumento utile per biostatistici…e non solo.
X Webinar “Le Network Meta-Analisi: una introduzione alla metodologia”
Prof.ssa Cinzia del Giovane
16/12/2025 dalle ore 15:00 alle ore 16:00
Tale metodologia permette di 1) stimare gli effetti relativi tra tutte le coppie di interventi considerati nella revisione, compresi quelli da interventi che non sono stati confrontati direttamente in uno studio (evidenza indiretta); 2) fornire un ranking degli interventi dal migliore al peggiore rispetto ad ogni outcome di interesse.
La Network Meta-Analisi (NMA) rappresenta un’evoluzione metodologica della meta-analisi tradizionale, nell’ambito delle revisioni sistematiche di studi clinici. La NMA consente di comparare simultaneamente più interventi che sono stati valutati per rispondere ad uno stesso quesito clinico, attraverso la combinazione di evidenze dirette ed indirette provenienti da studi randomizzati. Negli ultimi anni, la NMA ha assunto un ruolo centrale nella sintesi dell’evidenza clinica e nei processi decisionali di tipo regolatorio e di health technology assessment.
Il webinar fornirà una panoramica introduttiva alla metodologia. In particolare verrà presentato: cos’è la NMA e quando si utilizza; la scelta degli interventi che andranno a formare il network delle evidenze, ed i principi alla base della metodologia, con particolare enfasi sui concetti di transitivity e coherence. Infine, verranno illustrati i tipi di risultati che si ottengono dalla NMA, la loro modalità di presentazione e relativa interpretazione.
Il webinar ha lo scopo di far comprendere i fondamenti concettuali della NMA più che i dettagli statistici. Al termine del webinar i partecipanti avranno gli strumenti necessari per supportare un ricercatore clinico o decisore sanitario per una corretta pianificazione di una NMA o una loro corretta lettura critica.
XI Webinar "SAFE machine learning"
22 gennaio 2026, dalle 12:00 alle 13:00
SAFE machine learning
Prof. Paolo Giudici
Full Professor of Statistics
University of Pavia
Department of Economics and Management
Abstract:
The growth of artificial intelligence applications in medicine requires to develop statistical learning models that can measure their own risks and improve their quality.
In the session, we contribute to the development presenting a set statistical metrics that can measure the Sustainability, Accuracy, Fairness and Explainability of any Artificial Intelligence application, in line with the requests of the international regulations and recommendations.
The proposed metrics are consistent with each other, as they are all derived from a common underlying statistical methodology. They are very general and can be applied to any machine learning method, regardless of the underlying data and model.
Their empirical validity will be assessed by means of their practical application to use cases. The application reveals that the proposed metrics are more interpretable and more consistent with the expectations, with respect to the currently used assessment metrics such as Mean Squared Error, Area Under the Curve, Shapley values and Fairness parity.
