Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning

Array ( [body] => Array ( [#theme] => field [#weight] => 0 [#title] => Body [#access] => 1 [#label_display] => hidden [#view_mode] => teaser [#language] => und [#field_name] => body [#field_type] => text_with_summary [#field_translatable] => 0 [#entity_type] => node [#bundle] => box_lancio_news [#object] => stdClass Object ( [vid] => 373618 [uid] => 13 [title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81534 [type] => box_lancio_news [language] => it [created] => 1632405838 [changed] => 1636631330 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1636631330 [revision_uid] => 13 [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[summary] => [format] => 2 [safe_value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[safe_summary] => ) ) ) [field_date_box_lancio_news] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) ) [field_etichetta_box_lancio_news] => Array ( ) [field_img_box_lancio_news] => Array ( [und] => Array ( [0] => Array ( [fid] => 98138 [uid] => 13 [filename] => n_medicina_tablet.jpg [uri] => public://n_medicina_tablet.jpg [filemime] => image/jpeg [filesize] => 68672 [status] => 1 [timestamp] => 1632406044 [type] => image [field_file_image_alt_text] => Array ( ) [field_file_image_title_text] => Array ( ) [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( [height] => 630 [width] => 1200 ) [height] => 630 [width] => 1200 [alt] => dati medici [title] => ) ) ) [field_link_alla_news] => Array ( ) [field_link_esterno_news] => Array ( ) [field_pagina_associata] => Array ( ) [field_link_etichetta] => Array ( ) [field_abstract_news] => Array ( [und] => Array ( [0] => Array ( [value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali [format] => [safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali ) ) ) [field_allegato_news] => Array ( ) [field_categorie_news] => Array ( [und] => Array ( [0] => Array ( [tid] => 2264 ) [1] => Array ( [tid] => 2267 ) [2] => Array ( [tid] => 2462 ) ) ) [field_pub_date] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [value2] => 2021-11-27T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) ) [field_layout_news] => Array ( [und] => Array ( [0] => Array ( [value] => single ) ) ) [field_testo_opzionale_news] => Array ( ) [field_url_en_page] => Array ( ) [field_url_en_page_label] => Array ( ) [path] => Array ( [pathauto] => 1 ) [name] => chiara.mezzalira [picture] => 0 [data] => a:2:{s:13:"form_build_id";s:37:"form-e496b743db3766e42eb8a4d1ccc1c014";s:14:"wysiwyg_status";a:1:{i:1;i:1;}} [num_revisions] => 4 [current_revision_id] => 373618 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[summary] => [format] => 2 [safe_value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[safe_summary] => ) ) [#formatter] => text_summary_or_trimmed [0] => Array ( [#markup] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università

) ) [field_img_box_lancio_news] => Array ( [#theme] => field [#weight] => 0 [#title] => Immagine [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_img_box_lancio_news [#field_type] => image [#field_translatable] => 0 [#entity_type] => node [#bundle] => box_lancio_news [#object] => stdClass Object ( [vid] => 373618 [uid] => 13 [title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81534 [type] => box_lancio_news [language] => it [created] => 1632405838 [changed] => 1636631330 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1636631330 [revision_uid] => 13 [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[summary] => [format] => 2 [safe_value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[safe_summary] => ) ) ) [field_date_box_lancio_news] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) ) [field_etichetta_box_lancio_news] => Array ( ) [field_img_box_lancio_news] => Array ( [und] => Array ( [0] => Array ( [fid] => 98138 [uid] => 13 [filename] => n_medicina_tablet.jpg [uri] => public://n_medicina_tablet.jpg [filemime] => image/jpeg [filesize] => 68672 [status] => 1 [timestamp] => 1632406044 [type] => image [field_file_image_alt_text] => Array ( ) [field_file_image_title_text] => Array ( ) [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( [height] => 630 [width] => 1200 ) [height] => 630 [width] => 1200 [alt] => dati medici [title] => ) ) ) [field_link_alla_news] => Array ( ) [field_link_esterno_news] => Array ( ) [field_pagina_associata] => Array ( ) [field_link_etichetta] => Array ( ) [field_abstract_news] => Array ( [und] => Array ( [0] => Array ( [value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali [format] => [safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali ) ) ) [field_allegato_news] => Array ( ) [field_categorie_news] => Array ( [und] => Array ( [0] => Array ( [tid] => 2264 ) [1] => Array ( [tid] => 2267 ) [2] => Array ( [tid] => 2462 ) ) ) [field_pub_date] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [value2] => 2021-11-27T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) ) [field_layout_news] => Array ( [und] => Array ( [0] => Array ( [value] => single ) ) ) [field_testo_opzionale_news] => Array ( ) [field_url_en_page] => Array ( ) [field_url_en_page_label] => Array ( ) [path] => Array ( [pathauto] => 1 ) [name] => chiara.mezzalira [picture] => 0 [data] => a:2:{s:13:"form_build_id";s:37:"form-e496b743db3766e42eb8a4d1ccc1c014";s:14:"wysiwyg_status";a:1:{i:1;i:1;}} [num_revisions] => 4 [current_revision_id] => 373618 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [fid] => 98138 [uid] => 13 [filename] => n_medicina_tablet.jpg [uri] => public://n_medicina_tablet.jpg [filemime] => image/jpeg [filesize] => 68672 [status] => 1 [timestamp] => 1632406044 [type] => image [field_file_image_alt_text] => Array ( ) [field_file_image_title_text] => Array ( ) [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( [height] => 630 [width] => 1200 ) [height] => 630 [width] => 1200 [alt] => dati medici [title] => ) ) [#formatter] => image [0] => Array ( [#theme] => image_formatter [#item] => Array ( [fid] => 98138 [uid] => 13 [filename] => n_medicina_tablet.jpg [uri] => public://n_medicina_tablet.jpg [filemime] => image/jpeg [filesize] => 68672 [status] => 1 [timestamp] => 1632406044 [type] => image [field_file_image_alt_text] => Array ( ) [field_file_image_title_text] => Array ( ) [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( [height] => 630 [width] => 1200 ) [height] => 630 [width] => 1200 [alt] => dati medici [title] => ) [#image_style] => [#path] => ) ) [field_abstract_news] => Array ( [#theme] => field [#weight] => 0 [#title] => Abstract [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_abstract_news [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => box_lancio_news [#object] => stdClass Object ( [vid] => 373618 [uid] => 13 [title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81534 [type] => box_lancio_news [language] => it [created] => 1632405838 [changed] => 1636631330 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1636631330 [revision_uid] => 13 [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[summary] => [format] => 2 [safe_value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[safe_summary] => ) ) ) [field_date_box_lancio_news] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) ) [field_etichetta_box_lancio_news] => Array ( ) [field_img_box_lancio_news] => Array ( [und] => Array ( [0] => Array ( [fid] => 98138 [uid] => 13 [filename] => n_medicina_tablet.jpg [uri] => public://n_medicina_tablet.jpg [filemime] => image/jpeg [filesize] => 68672 [status] => 1 [timestamp] => 1632406044 [type] => image [field_file_image_alt_text] => Array ( ) [field_file_image_title_text] => Array ( ) [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( [height] => 630 [width] => 1200 ) [height] => 630 [width] => 1200 [alt] => dati medici [title] => ) ) ) [field_link_alla_news] => Array ( ) [field_link_esterno_news] => Array ( ) [field_pagina_associata] => Array ( ) [field_link_etichetta] => Array ( ) [field_abstract_news] => Array ( [und] => Array ( [0] => Array ( [value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali [format] => [safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali ) ) ) [field_allegato_news] => Array ( ) [field_categorie_news] => Array ( [und] => Array ( [0] => Array ( [tid] => 2264 ) [1] => Array ( [tid] => 2267 ) [2] => Array ( [tid] => 2462 ) ) ) [field_pub_date] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [value2] => 2021-11-27T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) ) [field_layout_news] => Array ( [und] => Array ( [0] => Array ( [value] => single ) ) ) [field_testo_opzionale_news] => Array ( ) [field_url_en_page] => Array ( ) [field_url_en_page_label] => Array ( ) [path] => Array ( [pathauto] => 1 ) [name] => chiara.mezzalira [picture] => 0 [data] => a:2:{s:13:"form_build_id";s:37:"form-e496b743db3766e42eb8a4d1ccc1c014";s:14:"wysiwyg_status";a:1:{i:1;i:1;}} [num_revisions] => 4 [current_revision_id] => 373618 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali [format] => [safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali ) ) [#formatter] => text_default [0] => Array ( [#markup] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning [href] => node/81534 [html] => 1 [attributes] => Array ( [rel] => tag [title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) [field_date_box_lancio_news] => Array ( [#theme] => field [#weight] => 1 [#title] => Data [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_date_box_lancio_news [#field_type] => date [#field_translatable] => 0 [#entity_type] => node [#bundle] => box_lancio_news [#object] => stdClass Object ( [vid] => 373618 [uid] => 13 [title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81534 [type] => box_lancio_news [language] => it [created] => 1632405838 [changed] => 1636631330 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1636631330 [revision_uid] => 13 [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[summary] => [format] => 2 [safe_value] =>

Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.

Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.

La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici. 

«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».

Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto

Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.

Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.

«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”

L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.

[safe_summary] => ) ) ) [field_date_box_lancio_news] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) ) [field_etichetta_box_lancio_news] => Array ( ) [field_img_box_lancio_news] => Array ( [und] => Array ( [0] => Array ( [fid] => 98138 [uid] => 13 [filename] => n_medicina_tablet.jpg [uri] => public://n_medicina_tablet.jpg [filemime] => image/jpeg [filesize] => 68672 [status] => 1 [timestamp] => 1632406044 [type] => image [field_file_image_alt_text] => Array ( ) [field_file_image_title_text] => Array ( ) [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( [height] => 630 [width] => 1200 ) [height] => 630 [width] => 1200 [alt] => dati medici [title] => ) ) ) [field_link_alla_news] => Array ( ) [field_link_esterno_news] => Array ( ) [field_pagina_associata] => Array ( ) [field_link_etichetta] => Array ( ) [field_abstract_news] => Array ( [und] => Array ( [0] => Array ( [value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali [format] => [safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali ) ) ) [field_allegato_news] => Array ( ) [field_categorie_news] => Array ( [und] => Array ( [0] => Array ( [tid] => 2264 ) [1] => Array ( [tid] => 2267 ) [2] => Array ( [tid] => 2462 ) ) ) [field_pub_date] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [value2] => 2021-11-27T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) ) [field_layout_news] => Array ( [und] => Array ( [0] => Array ( [value] => single ) ) ) [field_testo_opzionale_news] => Array ( ) [field_url_en_page] => Array ( ) [field_url_en_page_label] => Array ( ) [path] => Array ( [pathauto] => 1 ) [name] => chiara.mezzalira [picture] => 0 [data] => a:2:{s:13:"form_build_id";s:37:"form-e496b743db3766e42eb8a4d1ccc1c014";s:14:"wysiwyg_status";a:1:{i:1;i:1;}} [num_revisions] => 4 [current_revision_id] => 373618 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => 2021-09-23T00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => date ) ) [#formatter] => date_default [0] => Array ( [#markup] => Gio, 23/09/2021 ) ) )

I lasciti testamentari per gli enti pubblici - evento 2021

Array ( [field_titolo_frontend] => Array ( [#theme] => field [#weight] => -4 [#title] => Titolo frontend [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_titolo_frontend [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => elemento_accordion [#object] => stdClass Object ( [vid] => 367353 [uid] => 15369 [title] => I lasciti testamentari per gli enti pubblici - evento 2021 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81533 [type] => elemento_accordion [language] => it [created] => 1632401621 [changed] => 1687352683 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1687352683 [revision_uid] => 15369 [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[summary] => [format] => 2 [safe_value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[safe_summary] => ) ) ) [field_accordion_state] => Array ( [und] => Array ( [0] => Array ( [value] => chiuso ) ) ) [field_allegato_element] => Array ( ) [field_outline_level] => Array ( [und] => Array ( [0] => Array ( [value] => h3 ) ) ) [field_titolo_frontend] => Array ( [und] => Array ( [0] => Array ( [value] => I lasciti testamentari per gli enti pubblici - evento 2021 [format] => [safe_value] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [name] => uff.fundraising [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367353 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => I lasciti testamentari per gli enti pubblici - evento 2021 [format] => [safe_value] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) [#formatter] => text_default [0] => Array ( [#markup] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) [body] => Array ( [#theme] => field [#weight] => -3 [#title] => Body [#access] => 1 [#label_display] => hidden [#view_mode] => teaser [#language] => und [#field_name] => body [#field_type] => text_with_summary [#field_translatable] => 0 [#entity_type] => node [#bundle] => elemento_accordion [#object] => stdClass Object ( [vid] => 367353 [uid] => 15369 [title] => I lasciti testamentari per gli enti pubblici - evento 2021 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81533 [type] => elemento_accordion [language] => it [created] => 1632401621 [changed] => 1687352683 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1687352683 [revision_uid] => 15369 [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[summary] => [format] => 2 [safe_value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[safe_summary] => ) ) ) [field_accordion_state] => Array ( [und] => Array ( [0] => Array ( [value] => chiuso ) ) ) [field_allegato_element] => Array ( ) [field_outline_level] => Array ( [und] => Array ( [0] => Array ( [value] => h3 ) ) ) [field_titolo_frontend] => Array ( [und] => Array ( [0] => Array ( [value] => I lasciti testamentari per gli enti pubblici - evento 2021 [format] => [safe_value] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [name] => uff.fundraising [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367353 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[summary] => [format] => 2 [safe_value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[safe_summary] => ) ) [#formatter] => text_summary_or_trimmed [0] => Array ( [#markup] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

) ) [field_accordion_state] => Array ( [#theme] => field [#weight] => -1 [#title] => Aperto/Chiuso [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_accordion_state [#field_type] => list_text [#field_translatable] => 0 [#entity_type] => node [#bundle] => elemento_accordion [#object] => stdClass Object ( [vid] => 367353 [uid] => 15369 [title] => I lasciti testamentari per gli enti pubblici - evento 2021 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81533 [type] => elemento_accordion [language] => it [created] => 1632401621 [changed] => 1687352683 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1687352683 [revision_uid] => 15369 [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[summary] => [format] => 2 [safe_value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[safe_summary] => ) ) ) [field_accordion_state] => Array ( [und] => Array ( [0] => Array ( [value] => chiuso ) ) ) [field_allegato_element] => Array ( ) [field_outline_level] => Array ( [und] => Array ( [0] => Array ( [value] => h3 ) ) ) [field_titolo_frontend] => Array ( [und] => Array ( [0] => Array ( [value] => I lasciti testamentari per gli enti pubblici - evento 2021 [format] => [safe_value] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [name] => uff.fundraising [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367353 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => chiuso ) ) [#formatter] => text_default [0] => Array ( [#markup] => chiuso ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about I lasciti testamentari per gli enti pubblici - evento 2021 [href] => node/81533 [html] => 1 [attributes] => Array ( [rel] => tag [title] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) [field_outline_level] => Array ( [#theme] => field [#weight] => 31 [#title] => Livello outline [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_outline_level [#field_type] => list_text [#field_translatable] => 0 [#entity_type] => node [#bundle] => elemento_accordion [#object] => stdClass Object ( [vid] => 367353 [uid] => 15369 [title] => I lasciti testamentari per gli enti pubblici - evento 2021 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81533 [type] => elemento_accordion [language] => it [created] => 1632401621 [changed] => 1687352683 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1687352683 [revision_uid] => 15369 [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[summary] => [format] => 2 [safe_value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[safe_summary] => ) ) ) [field_accordion_state] => Array ( [und] => Array ( [0] => Array ( [value] => chiuso ) ) ) [field_allegato_element] => Array ( ) [field_outline_level] => Array ( [und] => Array ( [0] => Array ( [value] => h3 ) ) ) [field_titolo_frontend] => Array ( [und] => Array ( [0] => Array ( [value] => I lasciti testamentari per gli enti pubblici - evento 2021 [format] => [safe_value] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [name] => uff.fundraising [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367353 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => h3 ) ) [#formatter] => text_default [0] => Array ( [#markup] => h3 ) ) )

I lasciti testamentari per gli enti pubblici - evento 2021

Array ( [field_accordion_element] => Array ( [#theme] => field [#weight] => -1 [#title] => Elementi accordion [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_accordion_element [#field_type] => node_reference [#field_translatable] => 0 [#entity_type] => node [#bundle] => accordion [#object] => stdClass Object ( [vid] => 428453 [uid] => 15369 [title] => I lasciti testamentari per gli enti pubblici - evento 2021 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81532 [type] => accordion [language] => it [created] => 1632401432 [changed] => 1687352641 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1687352641 [revision_uid] => 15369 [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_accordion_element] => Array ( [und] => Array ( [0] => Array ( [nid] => 81533 [access] => 1 [node] => stdClass Object ( [vid] => 367353 [uid] => 15369 [title] => I lasciti testamentari per gli enti pubblici - evento 2021 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81533 [type] => elemento_accordion [language] => it [created] => 1632401621 [changed] => 1687352683 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1687352683 [revision_uid] => 15369 [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[summary] => [format] => 2 [safe_value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[safe_summary] => ) ) ) [field_accordion_state] => Array ( [und] => Array ( [0] => Array ( [value] => chiuso ) ) ) [field_allegato_element] => Array ( ) [field_outline_level] => Array ( [und] => Array ( [0] => Array ( [value] => h3 ) ) ) [field_titolo_frontend] => Array ( [und] => Array ( [0] => Array ( [value] => I lasciti testamentari per gli enti pubblici - evento 2021 [format] => [safe_value] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [name] => uff.fundraising [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367353 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) ) ) ) [field_accordion_sottotitolo] => Array ( ) [field_accordion_titolo_fro] => Array ( ) [field_allegato_element] => Array ( ) [name] => uff.fundraising [picture] => 0 [data] => b:0; [num_revisions] => 8 [current_revision_id] => 428453 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [nid] => 81533 [access] => 1 [node] => stdClass Object ( [vid] => 367353 [uid] => 15369 [title] => I lasciti testamentari per gli enti pubblici - evento 2021 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81533 [type] => elemento_accordion [language] => it [created] => 1632401621 [changed] => 1687352683 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1687352683 [revision_uid] => 15369 [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[summary] => [format] => 2 [safe_value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[safe_summary] => ) ) ) [field_accordion_state] => Array ( [und] => Array ( [0] => Array ( [value] => chiuso ) ) ) [field_allegato_element] => Array ( ) [field_outline_level] => Array ( [und] => Array ( [0] => Array ( [value] => h3 ) ) ) [field_titolo_frontend] => Array ( [und] => Array ( [0] => Array ( [value] => I lasciti testamentari per gli enti pubblici - evento 2021 [format] => [safe_value] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [name] => uff.fundraising [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367353 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) ) ) [#formatter] => node_reference_default [0] => Array ( [#type] => link [#title] => I lasciti testamentari per gli enti pubblici - evento 2021 [#href] => node/81533 [#options] => Array ( [entity_type] => node [entity] => stdClass Object ( [vid] => 367353 [uid] => 15369 [title] => I lasciti testamentari per gli enti pubblici - evento 2021 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81533 [type] => elemento_accordion [language] => it [created] => 1632401621 [changed] => 1687352683 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1687352683 [revision_uid] => 15369 [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( [und] => Array ( [0] => Array ( [value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[summary] => [format] => 2 [safe_value] =>

Webinar formativo

I lasciti testamentari a favore degli enti pubblici

I relatori nei loro interventi hanno portato dei casi studio di lasciti ad enti pubblici sia dal punto vista fiscale che notarile e legale.

L’evento è stato coorganizzato con l’Ordine degli Avvocati di Padova.

E' possibile vedere la registrazione degli interventi a questo link.

Programma

 

Privacy Policy eventi fundraising

[safe_summary] => ) ) ) [field_accordion_state] => Array ( [und] => Array ( [0] => Array ( [value] => chiuso ) ) ) [field_allegato_element] => Array ( ) [field_outline_level] => Array ( [und] => Array ( [0] => Array ( [value] => h3 ) ) ) [field_titolo_frontend] => Array ( [und] => Array ( [0] => Array ( [value] => I lasciti testamentari per gli enti pubblici - evento 2021 [format] => [safe_value] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [name] => uff.fundraising [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367353 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) ) ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about I lasciti testamentari per gli enti pubblici - evento 2021 [href] => node/81532 [html] => 1 [attributes] => Array ( [rel] => tag [title] => I lasciti testamentari per gli enti pubblici - evento 2021 ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) )

Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021)

Array ( [field_titolo_frontend_all] => Array ( [#theme] => field [#weight] => -4 [#title] => Titolo frontend [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_titolo_frontend_all [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367340 [uid] => 4 [title] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021) [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81531 [type] => allegato [language] => it [created] => 1632400714 [changed] => 1675241381 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1675241381 [revision_uid] => 4 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021)
In vigore dal 9 ottobre 2021 [format] => [safe_value] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021)<br><em>In vigore dal 9 ottobre 2021</em> ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98136 [uid] => 32 [filename] => REG_contratti_insegnamento_23092021.pdf [uri] => public://Trasparenza/REG_contratti_insegnamento_23092021.pdf [filemime] => application/pdf [filesize] => 122917 [status] => 1 [timestamp] => 1632400885 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2095 ) ) ) [metatags] => Array ( [und] => Array ( [title] => Array ( [value] => [current-page:title] | [current-page:pager][site:name] [default] => [current-page:title] | [current-page:pager][site:name] ) [description] => Array ( [value] => ) [abstract] => Array ( [value] => ) [keywords] => Array ( [value] => ) [robots] => Array ( [value] => Array ( [index] => 0 [follow] => 0 [noindex] => 0 [nofollow] => 0 [noarchive] => 0 [nosnippet] => 0 [noodp] => 0 [noydir] => 0 [noimageindex] => 0 [notranslate] => 0 ) ) [news_keywords] => Array ( [value] => ) [standout] => Array ( [value] => ) [rating] => Array ( [value] => ) [referrer] => Array ( [value] => ) [rights] => Array ( [value] => ) [image_src] => Array ( [value] => ) [canonical] => Array ( [value] => [current-page:url:absolute] [default] => [current-page:url:absolute] ) [set_cookie] => Array ( [value] => ) [shortlink] => Array ( [value] => [current-page:url:unaliased] [default] => [current-page:url:unaliased] ) [original-source] => Array ( [value] => ) [prev] => Array ( [value] => ) [next] => Array ( [value] => ) [content-language] => Array ( [value] => ) [geo.position] => Array ( [value] => ) [geo.placename] => Array ( [value] => ) [geo.region] => Array ( [value] => ) [icbm] => Array ( [value] => ) [refresh] => Array ( [value] => ) [revisit-after] => Array ( [value] => [period] => ) [pragma] => Array ( [value] => ) [cache-control] => Array ( [value] => ) [expires] => Array ( [value] => ) [og:type] => Array ( [value] => article [default] => article ) [og:url] => Array ( [value] => [current-page:url:absolute] [default] => [current-page:url:absolute] ) [og:title] => Array ( [value] => [current-page:title] [default] => [current-page:title] ) [og:determiner] => Array ( [value] => ) [og:description] => Array ( [value] => ) [og:updated_time] => Array ( [value] => ) [og:see_also] => Array ( [value] => ) [og:image] => Array ( [value] => ) [og:image:url] => Array ( [value] => ) [og:image:secure_url] => Array ( [value] => ) [og:image:type] => Array ( [value] => ) [og:image:width] => Array ( [value] => ) [og:image:height] => Array ( [value] => ) [og:latitude] => Array ( [value] => ) [og:longitude] => Array ( [value] => ) [og:street_address] => Array ( [value] => ) [og:locality] => Array ( [value] => ) [og:region] => Array ( [value] => ) [og:postal_code] => Array ( [value] => ) [og:country_name] => Array ( [value] => ) [og:email] => Array ( [value] => ) [og:phone_number] => Array ( [value] => ) [og:fax_number] => Array ( [value] => ) [og:locale] => Array ( [value] => ) [og:locale:alternate] => Array ( [value] => ) [article:author] => Array ( [value] => ) [article:publisher] => Array ( [value] => ) [article:section] => Array ( [value] => ) [article:tag] => Array ( [value] => ) [article:published_time] => Array ( [value] => ) [article:modified_time] => Array ( [value] => ) [article:expiration_time] => Array ( [value] => ) [profile:first_name] => Array ( [value] => ) [profile:last_name] => Array ( [value] => ) [profile:username] => Array ( [value] => ) [profile:gender] => Array ( [value] => ) [og:audio] => Array ( [value] => ) [og:audio:secure_url] => Array ( [value] => ) [og:audio:type] => Array ( [value] => ) [book:author] => Array ( [value] => ) [book:isbn] => Array ( [value] => ) [book:release_date] => Array ( [value] => ) [book:tag] => Array ( [value] => ) [og:video:url] => Array ( [value] => ) [og:video:secure_url] => Array ( [value] => ) [og:video:width] => Array ( [value] => ) [og:video:height] => Array ( [value] => ) [og:video:type] => Array ( [value] => ) [video:actor] => Array ( [value] => ) [video:actor:role] => Array ( [value] => ) [video:director] => Array ( [value] => ) [video:writer] => Array ( [value] => ) [video:duration] => Array ( [value] => ) [video:release_date] => Array ( [value] => ) [video:tag] => Array ( [value] => ) [video:series] => Array ( [value] => ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => simonetta.capparotto [picture] => 0 [data] => a:2:{s:13:"form_build_id";s:37:"form-fe5ebd9e5e240c4294455b6b42fa6a76";s:14:"wysiwyg_status";a:1:{i:1;i:1;}} [num_revisions] => 1 [current_revision_id] => 367340 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021)
In vigore dal 9 ottobre 2021 [format] => [safe_value] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021)<br><em>In vigore dal 9 ottobre 2021</em> ) ) [#formatter] => text_default [0] => Array ( [#markup] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021)<br><em>In vigore dal 9 ottobre 2021</em> ) ) [field_allegato_file] => Array ( [#theme] => field [#weight] => -3 [#title] => File [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_allegato_file [#field_type] => file [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367340 [uid] => 4 [title] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021) [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81531 [type] => allegato [language] => it [created] => 1632400714 [changed] => 1675241381 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1675241381 [revision_uid] => 4 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021)
In vigore dal 9 ottobre 2021 [format] => [safe_value] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021)<br><em>In vigore dal 9 ottobre 2021</em> ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98136 [uid] => 32 [filename] => REG_contratti_insegnamento_23092021.pdf [uri] => public://Trasparenza/REG_contratti_insegnamento_23092021.pdf [filemime] => application/pdf [filesize] => 122917 [status] => 1 [timestamp] => 1632400885 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2095 ) ) ) [metatags] => Array ( [und] => Array ( [title] => Array ( [value] => [current-page:title] | [current-page:pager][site:name] [default] => [current-page:title] | [current-page:pager][site:name] ) [description] => Array ( [value] => ) [abstract] => Array ( [value] => ) [keywords] => Array ( [value] => ) [robots] => Array ( [value] => Array ( [index] => 0 [follow] => 0 [noindex] => 0 [nofollow] => 0 [noarchive] => 0 [nosnippet] => 0 [noodp] => 0 [noydir] => 0 [noimageindex] => 0 [notranslate] => 0 ) ) [news_keywords] => Array ( [value] => ) [standout] => Array ( [value] => ) [rating] => Array ( [value] => ) [referrer] => Array ( [value] => ) [rights] => Array ( [value] => ) [image_src] => Array ( [value] => ) [canonical] => Array ( [value] => [current-page:url:absolute] [default] => [current-page:url:absolute] ) [set_cookie] => Array ( [value] => ) [shortlink] => Array ( [value] => [current-page:url:unaliased] [default] => [current-page:url:unaliased] ) [original-source] => Array ( [value] => ) [prev] => Array ( [value] => ) [next] => Array ( [value] => ) [content-language] => Array ( [value] => ) [geo.position] => Array ( [value] => ) [geo.placename] => Array ( [value] => ) [geo.region] => Array ( [value] => ) [icbm] => Array ( [value] => ) [refresh] => Array ( [value] => ) [revisit-after] => Array ( [value] => [period] => ) [pragma] => Array ( [value] => ) [cache-control] => Array ( [value] => ) [expires] => Array ( [value] => ) [og:type] => Array ( [value] => article [default] => article ) [og:url] => Array ( [value] => [current-page:url:absolute] [default] => [current-page:url:absolute] ) [og:title] => Array ( [value] => [current-page:title] [default] => [current-page:title] ) [og:determiner] => Array ( [value] => ) [og:description] => Array ( [value] => ) [og:updated_time] => Array ( [value] => ) [og:see_also] => Array ( [value] => ) [og:image] => Array ( [value] => ) [og:image:url] => Array ( [value] => ) [og:image:secure_url] => Array ( [value] => ) [og:image:type] => Array ( [value] => ) [og:image:width] => Array ( [value] => ) [og:image:height] => Array ( [value] => ) [og:latitude] => Array ( [value] => ) [og:longitude] => Array ( [value] => ) [og:street_address] => Array ( [value] => ) [og:locality] => Array ( [value] => ) [og:region] => Array ( [value] => ) [og:postal_code] => Array ( [value] => ) [og:country_name] => Array ( [value] => ) [og:email] => Array ( [value] => ) [og:phone_number] => Array ( [value] => ) [og:fax_number] => Array ( [value] => ) [og:locale] => Array ( [value] => ) [og:locale:alternate] => Array ( [value] => ) [article:author] => Array ( [value] => ) [article:publisher] => Array ( [value] => ) [article:section] => Array ( [value] => ) [article:tag] => Array ( [value] => ) [article:published_time] => Array ( [value] => ) [article:modified_time] => Array ( [value] => ) [article:expiration_time] => Array ( [value] => ) [profile:first_name] => Array ( [value] => ) [profile:last_name] => Array ( [value] => ) [profile:username] => Array ( [value] => ) [profile:gender] => Array ( [value] => ) [og:audio] => Array ( [value] => ) [og:audio:secure_url] => Array ( [value] => ) [og:audio:type] => Array ( [value] => ) [book:author] => Array ( [value] => ) [book:isbn] => Array ( [value] => ) [book:release_date] => Array ( [value] => ) [book:tag] => Array ( [value] => ) [og:video:url] => Array ( [value] => ) [og:video:secure_url] => Array ( [value] => ) [og:video:width] => Array ( [value] => ) [og:video:height] => Array ( [value] => ) [og:video:type] => Array ( [value] => ) [video:actor] => Array ( [value] => ) [video:actor:role] => Array ( [value] => ) [video:director] => Array ( [value] => ) [video:writer] => Array ( [value] => ) [video:duration] => Array ( [value] => ) [video:release_date] => Array ( [value] => ) [video:tag] => Array ( [value] => ) [video:series] => Array ( [value] => ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => simonetta.capparotto [picture] => 0 [data] => a:2:{s:13:"form_build_id";s:37:"form-fe5ebd9e5e240c4294455b6b42fa6a76";s:14:"wysiwyg_status";a:1:{i:1;i:1;}} [num_revisions] => 1 [current_revision_id] => 367340 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [fid] => 98136 [uid] => 32 [filename] => REG_contratti_insegnamento_23092021.pdf [uri] => public://Trasparenza/REG_contratti_insegnamento_23092021.pdf [filemime] => application/pdf [filesize] => 122917 [status] => 1 [timestamp] => 1632400885 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2095 ) ) ) [metatags] => Array ( [und] => Array ( [title] => Array ( [value] => [current-page:title] | [current-page:pager][site:name] [default] => [current-page:title] | [current-page:pager][site:name] ) [description] => Array ( [value] => ) [abstract] => Array ( [value] => ) [keywords] => Array ( [value] => ) [robots] => Array ( [value] => Array ( [index] => 0 [follow] => 0 [noindex] => 0 [nofollow] => 0 [noarchive] => 0 [nosnippet] => 0 [noodp] => 0 [noydir] => 0 [noimageindex] => 0 [notranslate] => 0 ) ) [news_keywords] => Array ( [value] => ) [standout] => Array ( [value] => ) [rating] => Array ( [value] => ) [referrer] => Array ( [value] => ) [rights] => Array ( [value] => ) [image_src] => Array ( [value] => ) [canonical] => Array ( [value] => [current-page:url:absolute] [default] => [current-page:url:absolute] ) [set_cookie] => Array ( [value] => ) [shortlink] => Array ( [value] => [current-page:url:unaliased] [default] => [current-page:url:unaliased] ) [original-source] => Array ( [value] => ) [prev] => Array ( [value] => ) [next] => Array ( [value] => ) [content-language] => Array ( [value] => ) [geo.position] => Array ( [value] => ) [geo.placename] => Array ( [value] => ) [geo.region] => Array ( [value] => ) [icbm] => Array ( [value] => ) [refresh] => Array ( [value] => ) [revisit-after] => Array ( [value] => [period] => ) [pragma] => Array ( [value] => ) [cache-control] => Array ( [value] => ) [expires] => Array ( [value] => ) [og:type] => Array ( [value] => article [default] => article ) [og:url] => Array ( [value] => [current-page:url:absolute] [default] => [current-page:url:absolute] ) [og:title] => Array ( [value] => [current-page:title] [default] => [current-page:title] ) [og:determiner] => Array ( [value] => ) [og:description] => Array ( [value] => ) [og:updated_time] => Array ( [value] => ) [og:see_also] => Array ( [value] => ) [og:image] => Array ( [value] => ) [og:image:url] => Array ( [value] => ) [og:image:secure_url] => Array ( [value] => ) [og:image:type] => Array ( [value] => ) [og:image:width] => Array ( [value] => ) [og:image:height] => Array ( [value] => ) [og:latitude] => Array ( [value] => ) [og:longitude] => Array ( [value] => ) [og:street_address] => Array ( [value] => ) [og:locality] => Array ( [value] => ) [og:region] => Array ( [value] => ) [og:postal_code] => Array ( [value] => ) [og:country_name] => Array ( [value] => ) [og:email] => Array ( [value] => ) [og:phone_number] => Array ( [value] => ) [og:fax_number] => Array ( [value] => ) [og:locale] => Array ( [value] => ) [og:locale:alternate] => Array ( [value] => ) [article:author] => Array ( [value] => ) [article:publisher] => Array ( [value] => ) [article:section] => Array ( [value] => ) [article:tag] => Array ( [value] => ) [article:published_time] => Array ( [value] => ) [article:modified_time] => Array ( [value] => ) [article:expiration_time] => Array ( [value] => ) [profile:first_name] => Array ( [value] => ) [profile:last_name] => Array ( [value] => ) [profile:username] => Array ( [value] => ) [profile:gender] => Array ( [value] => ) [og:audio] => Array ( [value] => ) [og:audio:secure_url] => Array ( [value] => ) [og:audio:type] => Array ( [value] => ) [book:author] => Array ( [value] => ) [book:isbn] => Array ( [value] => ) [book:release_date] => Array ( [value] => ) [book:tag] => Array ( [value] => ) [og:video:url] => Array ( [value] => ) [og:video:secure_url] => Array ( [value] => ) [og:video:width] => Array ( [value] => ) [og:video:height] => Array ( [value] => ) [og:video:type] => Array ( [value] => ) [video:actor] => Array ( [value] => ) [video:actor:role] => Array ( [value] => ) [video:director] => Array ( [value] => ) [video:writer] => Array ( [value] => ) [video:duration] => Array ( [value] => ) [video:release_date] => Array ( [value] => ) [video:tag] => Array ( [value] => ) [video:series] => Array ( [value] => ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) [#formatter] => file_default [0] => Array ( [#theme] => file_link [#file] => stdClass Object ( [fid] => 98136 [uid] => 32 [filename] => REG_contratti_insegnamento_23092021.pdf [uri] => public://Trasparenza/REG_contratti_insegnamento_23092021.pdf [filemime] => application/pdf [filesize] => 122917 [status] => 1 [timestamp] => 1632400885 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2095 ) ) ) [metatags] => Array ( [und] => Array ( [title] => Array ( [value] => [current-page:title] | [current-page:pager][site:name] [default] => [current-page:title] | [current-page:pager][site:name] ) [description] => Array ( [value] => ) [abstract] => Array ( [value] => ) [keywords] => Array ( [value] => ) [robots] => Array ( [value] => Array ( [index] => 0 [follow] => 0 [noindex] => 0 [nofollow] => 0 [noarchive] => 0 [nosnippet] => 0 [noodp] => 0 [noydir] => 0 [noimageindex] => 0 [notranslate] => 0 ) ) [news_keywords] => Array ( [value] => ) [standout] => Array ( [value] => ) [rating] => Array ( [value] => ) [referrer] => Array ( [value] => ) [rights] => Array ( [value] => ) [image_src] => Array ( [value] => ) [canonical] => Array ( [value] => [current-page:url:absolute] [default] => [current-page:url:absolute] ) [set_cookie] => Array ( [value] => ) [shortlink] => Array ( [value] => [current-page:url:unaliased] [default] => [current-page:url:unaliased] ) [original-source] => Array ( [value] => ) [prev] => Array ( [value] => ) [next] => Array ( [value] => ) [content-language] => Array ( [value] => ) [geo.position] => Array ( [value] => ) [geo.placename] => Array ( [value] => ) [geo.region] => Array ( [value] => ) [icbm] => Array ( [value] => ) [refresh] => Array ( [value] => ) [revisit-after] => Array ( [value] => [period] => ) [pragma] => Array ( [value] => ) [cache-control] => Array ( [value] => ) [expires] => Array ( [value] => ) [og:type] => Array ( [value] => article [default] => article ) [og:url] => Array ( [value] => [current-page:url:absolute] [default] => [current-page:url:absolute] ) [og:title] => Array ( [value] => [current-page:title] [default] => [current-page:title] ) [og:determiner] => Array ( [value] => ) [og:description] => Array ( [value] => ) [og:updated_time] => Array ( [value] => ) [og:see_also] => Array ( [value] => ) [og:image] => Array ( [value] => ) [og:image:url] => Array ( [value] => ) [og:image:secure_url] => Array ( [value] => ) [og:image:type] => Array ( [value] => ) [og:image:width] => Array ( [value] => ) [og:image:height] => Array ( [value] => ) [og:latitude] => Array ( [value] => ) [og:longitude] => Array ( [value] => ) [og:street_address] => Array ( [value] => ) [og:locality] => Array ( [value] => ) [og:region] => Array ( [value] => ) [og:postal_code] => Array ( [value] => ) [og:country_name] => Array ( [value] => ) [og:email] => Array ( [value] => ) [og:phone_number] => Array ( [value] => ) [og:fax_number] => Array ( [value] => ) [og:locale] => Array ( [value] => ) [og:locale:alternate] => Array ( [value] => ) [article:author] => Array ( [value] => ) [article:publisher] => Array ( [value] => ) [article:section] => Array ( [value] => ) [article:tag] => Array ( [value] => ) [article:published_time] => Array ( [value] => ) [article:modified_time] => Array ( [value] => ) [article:expiration_time] => Array ( [value] => ) [profile:first_name] => Array ( [value] => ) [profile:last_name] => Array ( [value] => ) [profile:username] => Array ( [value] => ) [profile:gender] => Array ( [value] => ) [og:audio] => Array ( [value] => ) [og:audio:secure_url] => Array ( [value] => ) [og:audio:type] => Array ( [value] => ) [book:author] => Array ( [value] => ) [book:isbn] => Array ( [value] => ) [book:release_date] => Array ( [value] => ) [book:tag] => Array ( [value] => ) [og:video:url] => Array ( [value] => ) [og:video:secure_url] => Array ( [value] => ) [og:video:width] => Array ( [value] => ) [og:video:height] => Array ( [value] => ) [og:video:type] => Array ( [value] => ) [video:actor] => Array ( [value] => ) [video:actor:role] => Array ( [value] => ) [video:director] => Array ( [value] => ) [video:writer] => Array ( [value] => ) [video:duration] => Array ( [value] => ) [video:release_date] => Array ( [value] => ) [video:tag] => Array ( [value] => ) [video:series] => Array ( [value] => ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021) [href] => node/81531 [html] => 1 [attributes] => Array ( [rel] => tag [title] => Regolamento in materia di contratti per attività di insegnamento ai sensi dell'art. 23 della legge 30 dicembre 2010, n. 240 (D.R. 3315 del 23.09.2021) ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) )

VENETONIGHT 2021 – LA NOTTE DELLA RICERCA

Array ( [field_luogo_area_stampa] => Array ( [#theme] => field [#weight] => -4 [#title] => Luogo [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_luogo_area_stampa [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato_area_stampa [#object] => stdClass Object ( [vid] => 367336 [uid] => 8835 [title] => VENETONIGHT 2021 – LA NOTTE DELLA RICERCA [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81529 [type] => allegato_area_stampa [language] => und [created] => 1632398650 [changed] => 1632398650 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1632398650 [revision_uid] => 8835 [body] => Array ( ) [field_allegato_area_stampa] => Array ( [und] => Array ( [0] => Array ( [fid] => 98135 [uid] => 8835 [filename] => 20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [uri] => public://20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [filemime] => application/pdf [filesize] => 310703 [status] => 1 [timestamp] => 1632398650 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [field_all_imm_area_stampa] => Array ( ) [field_data_area_stampa] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23 00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => datetime ) ) ) [field_luogo_area_stampa] => Array ( [und] => Array ( [0] => Array ( [value] => Padova [format] => [safe_value] => Padova ) ) ) [name] => stampa [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367336 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => Padova [format] => [safe_value] => Padova ) ) [#formatter] => text_default [0] => Array ( [#markup] => Padova ) ) [field_data_area_stampa] => Array ( [#theme] => field [#weight] => -3 [#title] => Data [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_data_area_stampa [#field_type] => datetime [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato_area_stampa [#object] => stdClass Object ( [vid] => 367336 [uid] => 8835 [title] => VENETONIGHT 2021 – LA NOTTE DELLA RICERCA [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81529 [type] => allegato_area_stampa [language] => und [created] => 1632398650 [changed] => 1632398650 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1632398650 [revision_uid] => 8835 [body] => Array ( ) [field_allegato_area_stampa] => Array ( [und] => Array ( [0] => Array ( [fid] => 98135 [uid] => 8835 [filename] => 20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [uri] => public://20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [filemime] => application/pdf [filesize] => 310703 [status] => 1 [timestamp] => 1632398650 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [field_all_imm_area_stampa] => Array ( ) [field_data_area_stampa] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23 00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => datetime ) ) ) [field_luogo_area_stampa] => Array ( [und] => Array ( [0] => Array ( [value] => Padova [format] => [safe_value] => Padova ) ) ) [name] => stampa [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367336 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => 2021-09-23 00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => datetime ) ) [#formatter] => date_default [0] => Array ( [#markup] => Gio, 23/09/2021 ) ) [field_allegato_area_stampa] => Array ( [#theme] => field [#weight] => -2 [#title] => Allegato [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_allegato_area_stampa [#field_type] => file [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato_area_stampa [#object] => stdClass Object ( [vid] => 367336 [uid] => 8835 [title] => VENETONIGHT 2021 – LA NOTTE DELLA RICERCA [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81529 [type] => allegato_area_stampa [language] => und [created] => 1632398650 [changed] => 1632398650 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1632398650 [revision_uid] => 8835 [body] => Array ( ) [field_allegato_area_stampa] => Array ( [und] => Array ( [0] => Array ( [fid] => 98135 [uid] => 8835 [filename] => 20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [uri] => public://20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [filemime] => application/pdf [filesize] => 310703 [status] => 1 [timestamp] => 1632398650 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [field_all_imm_area_stampa] => Array ( ) [field_data_area_stampa] => Array ( [und] => Array ( [0] => Array ( [value] => 2021-09-23 00:00:00 [timezone] => Europe/Paris [timezone_db] => Europe/Paris [date_type] => datetime ) ) ) [field_luogo_area_stampa] => Array ( [und] => Array ( [0] => Array ( [value] => Padova [format] => [safe_value] => Padova ) ) ) [name] => stampa [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367336 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [fid] => 98135 [uid] => 8835 [filename] => 20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [uri] => public://20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [filemime] => application/pdf [filesize] => 310703 [status] => 1 [timestamp] => 1632398650 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) [#formatter] => file_default [0] => Array ( [#theme] => file_link [#file] => stdClass Object ( [fid] => 98135 [uid] => 8835 [filename] => 20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [uri] => public://20210923mm Comunicato _VENETONIGHT 2021 – LA NOTTE DELLA RICERCA_.pdf [filemime] => application/pdf [filesize] => 310703 [status] => 1 [timestamp] => 1632398650 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2048 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about VENETONIGHT 2021 – LA NOTTE DELLA RICERCA [href] => node/81529 [html] => 1 [attributes] => Array ( [rel] => tag [title] => VENETONIGHT 2021 – LA NOTTE DELLA RICERCA ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) )

Trasparenza - Costo dei servizi e monitoraggio del loro andamento (anno 2018) pubblicato il 28-01-2020

Array ( [field_titolo_frontend_all] => Array ( [#theme] => field [#weight] => -4 [#title] => Titolo frontend [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_titolo_frontend_all [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367333 [uid] => 5724 [title] => Trasparenza - Costo dei servizi e monitoraggio del loro andamento (anno 2018) pubblicato il 28-01-2020 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81528 [type] => allegato [language] => it [created] => 1632398201 [changed] => 1680183196 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1680183196 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Costo dei servizi e monitoraggio del loro andamento (anno 2019)
pubblicato il 29-09-2021 [format] => [safe_value] => Costo dei servizi e monitoraggio del loro andamento (anno 2019)<br>pubblicato il 29-09-2021 ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98134 [uid] => 32 [filename] => Costo dei servizi e monitoraggio del loro andamento (anno 2019).pdf [uri] => public://2021/Costo dei servizi e monitoraggio del loro andamento (anno 2019).pdf [filemime] => application/pdf [filesize] => 139589 [status] => 1 [timestamp] => 1632398196 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => trasparenza [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367333 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => Costo dei servizi e monitoraggio del loro andamento (anno 2019)
pubblicato il 29-09-2021 [format] => [safe_value] => Costo dei servizi e monitoraggio del loro andamento (anno 2019)<br>pubblicato il 29-09-2021 ) ) [#formatter] => text_default [0] => Array ( [#markup] => Costo dei servizi e monitoraggio del loro andamento (anno 2019)<br>pubblicato il 29-09-2021 ) ) [field_allegato_file] => Array ( [#theme] => field [#weight] => -3 [#title] => File [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_allegato_file [#field_type] => file [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367333 [uid] => 5724 [title] => Trasparenza - Costo dei servizi e monitoraggio del loro andamento (anno 2018) pubblicato il 28-01-2020 [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81528 [type] => allegato [language] => it [created] => 1632398201 [changed] => 1680183196 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1680183196 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Costo dei servizi e monitoraggio del loro andamento (anno 2019)
pubblicato il 29-09-2021 [format] => [safe_value] => Costo dei servizi e monitoraggio del loro andamento (anno 2019)<br>pubblicato il 29-09-2021 ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98134 [uid] => 32 [filename] => Costo dei servizi e monitoraggio del loro andamento (anno 2019).pdf [uri] => public://2021/Costo dei servizi e monitoraggio del loro andamento (anno 2019).pdf [filemime] => application/pdf [filesize] => 139589 [status] => 1 [timestamp] => 1632398196 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => trasparenza [picture] => 0 [data] => b:0; [num_revisions] => 1 [current_revision_id] => 367333 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [fid] => 98134 [uid] => 32 [filename] => Costo dei servizi e monitoraggio del loro andamento (anno 2019).pdf [uri] => public://2021/Costo dei servizi e monitoraggio del loro andamento (anno 2019).pdf [filemime] => application/pdf [filesize] => 139589 [status] => 1 [timestamp] => 1632398196 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) [#formatter] => file_default [0] => Array ( [#theme] => file_link [#file] => stdClass Object ( [fid] => 98134 [uid] => 32 [filename] => Costo dei servizi e monitoraggio del loro andamento (anno 2019).pdf [uri] => public://2021/Costo dei servizi e monitoraggio del loro andamento (anno 2019).pdf [filemime] => application/pdf [filesize] => 139589 [status] => 1 [timestamp] => 1632398196 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about Trasparenza - Costo dei servizi e monitoraggio del loro andamento (anno 2018) pubblicato il 28-01-2020 [href] => node/81528 [html] => 1 [attributes] => Array ( [rel] => tag [title] => Trasparenza - Costo dei servizi e monitoraggio del loro andamento (anno 2018) pubblicato il 28-01-2020 ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) )

2021RUB04 - Allegato 14 - Verbale 2 - Elenco candidati

Array ( [field_titolo_frontend_all] => Array ( [#theme] => field [#weight] => -4 [#title] => Titolo frontend [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_titolo_frontend_all [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367332 [uid] => 8831 [title] => 2021RUB04 - Allegato 14 - Verbale 2 - Elenco candidati [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81527 [type] => allegato [language] => it [created] => 1632397441 [changed] => 1635840191 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1635840191 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Verbale 2 - Elenco candidati [format] => [safe_value] => Verbale 2 - Elenco candidati ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98133 [uid] => 4 [filename] => Verbale 2 SECS-P06.pdf [uri] => public://2021/Verbale 2 SECS-P06.pdf [filemime] => application/pdf [filesize] => 208198 [status] => 1 [timestamp] => 1632397432 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => carriere.docenti [picture] => 0 [data] => [num_revisions] => 1 [current_revision_id] => 367332 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => Verbale 2 - Elenco candidati [format] => [safe_value] => Verbale 2 - Elenco candidati ) ) [#formatter] => text_default [0] => Array ( [#markup] => Verbale 2 - Elenco candidati ) ) [field_allegato_file] => Array ( [#theme] => field [#weight] => -3 [#title] => File [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_allegato_file [#field_type] => file [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367332 [uid] => 8831 [title] => 2021RUB04 - Allegato 14 - Verbale 2 - Elenco candidati [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81527 [type] => allegato [language] => it [created] => 1632397441 [changed] => 1635840191 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1635840191 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Verbale 2 - Elenco candidati [format] => [safe_value] => Verbale 2 - Elenco candidati ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98133 [uid] => 4 [filename] => Verbale 2 SECS-P06.pdf [uri] => public://2021/Verbale 2 SECS-P06.pdf [filemime] => application/pdf [filesize] => 208198 [status] => 1 [timestamp] => 1632397432 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => carriere.docenti [picture] => 0 [data] => [num_revisions] => 1 [current_revision_id] => 367332 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [fid] => 98133 [uid] => 4 [filename] => Verbale 2 SECS-P06.pdf [uri] => public://2021/Verbale 2 SECS-P06.pdf [filemime] => application/pdf [filesize] => 208198 [status] => 1 [timestamp] => 1632397432 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) [#formatter] => file_default [0] => Array ( [#theme] => file_link [#file] => stdClass Object ( [fid] => 98133 [uid] => 4 [filename] => Verbale 2 SECS-P06.pdf [uri] => public://2021/Verbale 2 SECS-P06.pdf [filemime] => application/pdf [filesize] => 208198 [status] => 1 [timestamp] => 1632397432 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about 2021RUB04 - Allegato 14 - Verbale 2 - Elenco candidati [href] => node/81527 [html] => 1 [attributes] => Array ( [rel] => tag [title] => 2021RUB04 - Allegato 14 - Verbale 2 - Elenco candidati ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) )

2021RUB04 - Allegato 23 - Verbale 2 - Elenco candidati e convocazione

Array ( [field_titolo_frontend_all] => Array ( [#theme] => field [#weight] => -4 [#title] => Titolo frontend [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_titolo_frontend_all [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367331 [uid] => 8831 [title] => 2021RUB04 - Allegato 23 - Verbale 2 - Elenco candidati e convocazione [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81526 [type] => allegato [language] => it [created] => 1632397273 [changed] => 1635840140 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1635840140 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Verbale 2 - Elenco candidati e convocazione [format] => [safe_value] => Verbale 2 - Elenco candidati e convocazione ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98132 [uid] => 4 [filename] => VERB 2 ING-IND08.pdf [uri] => public://2021/VERB 2 ING-IND08.pdf [filemime] => application/pdf [filesize] => 1647020 [status] => 1 [timestamp] => 1632397266 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => carriere.docenti [picture] => 0 [data] => [num_revisions] => 1 [current_revision_id] => 367331 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => Verbale 2 - Elenco candidati e convocazione [format] => [safe_value] => Verbale 2 - Elenco candidati e convocazione ) ) [#formatter] => text_default [0] => Array ( [#markup] => Verbale 2 - Elenco candidati e convocazione ) ) [field_allegato_file] => Array ( [#theme] => field [#weight] => -3 [#title] => File [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_allegato_file [#field_type] => file [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367331 [uid] => 8831 [title] => 2021RUB04 - Allegato 23 - Verbale 2 - Elenco candidati e convocazione [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81526 [type] => allegato [language] => it [created] => 1632397273 [changed] => 1635840140 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1635840140 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Verbale 2 - Elenco candidati e convocazione [format] => [safe_value] => Verbale 2 - Elenco candidati e convocazione ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98132 [uid] => 4 [filename] => VERB 2 ING-IND08.pdf [uri] => public://2021/VERB 2 ING-IND08.pdf [filemime] => application/pdf [filesize] => 1647020 [status] => 1 [timestamp] => 1632397266 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => carriere.docenti [picture] => 0 [data] => [num_revisions] => 1 [current_revision_id] => 367331 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [fid] => 98132 [uid] => 4 [filename] => VERB 2 ING-IND08.pdf [uri] => public://2021/VERB 2 ING-IND08.pdf [filemime] => application/pdf [filesize] => 1647020 [status] => 1 [timestamp] => 1632397266 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) [#formatter] => file_default [0] => Array ( [#theme] => file_link [#file] => stdClass Object ( [fid] => 98132 [uid] => 4 [filename] => VERB 2 ING-IND08.pdf [uri] => public://2021/VERB 2 ING-IND08.pdf [filemime] => application/pdf [filesize] => 1647020 [status] => 1 [timestamp] => 1632397266 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about 2021RUB04 - Allegato 23 - Verbale 2 - Elenco candidati e convocazione [href] => node/81526 [html] => 1 [attributes] => Array ( [rel] => tag [title] => 2021RUB04 - Allegato 23 - Verbale 2 - Elenco candidati e convocazione ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) )

2021PA517 - DR Approvazione Atti

Array ( [field_titolo_frontend_all] => Array ( [#theme] => field [#weight] => -4 [#title] => Titolo frontend [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_titolo_frontend_all [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367328 [uid] => 8831 [title] => 2021PA517 - DR Approvazione Atti [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81525 [type] => allegato [language] => it [created] => 1632396926 [changed] => 1647956362 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1647956362 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => DR Approvazione Atti [format] => [safe_value] => DR Approvazione Atti ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98130 [uid] => 32 [filename] => DR approvazione atti AGR 06.docx.pdf [uri] => public://2021/DR approvazione atti AGR 06.docx.pdf [filemime] => application/pdf [filesize] => 143387 [status] => 1 [timestamp] => 1632396920 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => carriere.docenti [picture] => 0 [data] => [num_revisions] => 1 [current_revision_id] => 367328 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => DR Approvazione Atti [format] => [safe_value] => DR Approvazione Atti ) ) [#formatter] => text_default [0] => Array ( [#markup] => DR Approvazione Atti ) ) [field_allegato_file] => Array ( [#theme] => field [#weight] => -3 [#title] => File [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_allegato_file [#field_type] => file [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367328 [uid] => 8831 [title] => 2021PA517 - DR Approvazione Atti [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81525 [type] => allegato [language] => it [created] => 1632396926 [changed] => 1647956362 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1647956362 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => DR Approvazione Atti [format] => [safe_value] => DR Approvazione Atti ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98130 [uid] => 32 [filename] => DR approvazione atti AGR 06.docx.pdf [uri] => public://2021/DR approvazione atti AGR 06.docx.pdf [filemime] => application/pdf [filesize] => 143387 [status] => 1 [timestamp] => 1632396920 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => carriere.docenti [picture] => 0 [data] => [num_revisions] => 1 [current_revision_id] => 367328 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [fid] => 98130 [uid] => 32 [filename] => DR approvazione atti AGR 06.docx.pdf [uri] => public://2021/DR approvazione atti AGR 06.docx.pdf [filemime] => application/pdf [filesize] => 143387 [status] => 1 [timestamp] => 1632396920 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) [#formatter] => file_default [0] => Array ( [#theme] => file_link [#file] => stdClass Object ( [fid] => 98130 [uid] => 32 [filename] => DR approvazione atti AGR 06.docx.pdf [uri] => public://2021/DR approvazione atti AGR 06.docx.pdf [filemime] => application/pdf [filesize] => 143387 [status] => 1 [timestamp] => 1632396920 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about 2021PA517 - DR Approvazione Atti [href] => node/81525 [html] => 1 [attributes] => Array ( [rel] => tag [title] => 2021PA517 - DR Approvazione Atti ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) )

2021PA517 - Verbale 2 - Giudizi

Array ( [field_titolo_frontend_all] => Array ( [#theme] => field [#weight] => -4 [#title] => Titolo frontend [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_titolo_frontend_all [#field_type] => text_long [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367327 [uid] => 8831 [title] => 2021PA517 - Verbale 2 - Giudizi [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81524 [type] => allegato [language] => it [created] => 1632396889 [changed] => 1635840669 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1635840669 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Verbale 2 - Giudizi [format] => [safe_value] => Verbale 2 - Giudizi ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98128 [uid] => 32 [filename] => GIUDIZIO-MICHELA-ZANETTI-AGR06-PA_signed.pdf [uri] => public://2021/GIUDIZIO-MICHELA-ZANETTI-AGR06-PA_signed.pdf [filemime] => application/pdf [filesize] => 168813 [status] => 1 [timestamp] => 1632396866 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) [1] => Array ( [fid] => 98129 [uid] => 32 [filename] => Verbale_2 art. 24 comma 5-FINALE-AGR06-PA_signed.pdf [uri] => public://2021/Verbale_2 art. 24 comma 5-FINALE-AGR06-PA_signed.pdf [filemime] => application/pdf [filesize] => 194725 [status] => 1 [timestamp] => 1632396884 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => carriere.docenti [picture] => 0 [data] => [num_revisions] => 1 [current_revision_id] => 367327 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [value] => Verbale 2 - Giudizi [format] => [safe_value] => Verbale 2 - Giudizi ) ) [#formatter] => text_default [0] => Array ( [#markup] => Verbale 2 - Giudizi ) ) [field_allegato_file] => Array ( [#theme] => field [#weight] => -3 [#title] => File [#access] => 1 [#label_display] => above [#view_mode] => teaser [#language] => und [#field_name] => field_allegato_file [#field_type] => file [#field_translatable] => 0 [#entity_type] => node [#bundle] => allegato [#object] => stdClass Object ( [vid] => 367327 [uid] => 8831 [title] => 2021PA517 - Verbale 2 - Giudizi [log] => [status] => 1 [comment] => 0 [promote] => 1 [sticky] => 0 [nid] => 81524 [type] => allegato [language] => it [created] => 1632396889 [changed] => 1635840669 [tnid] => 0 [translate] => 0 [revision_timestamp] => 1635840669 [revision_uid] => 102 [taxonomy_vocabulary_2] => Array ( ) [taxonomy_vocabulary_8] => Array ( ) [body] => Array ( ) [field_titolo_frontend_all] => Array ( [und] => Array ( [0] => Array ( [value] => Verbale 2 - Giudizi [format] => [safe_value] => Verbale 2 - Giudizi ) ) ) [field_allegato_file] => Array ( [und] => Array ( [0] => Array ( [fid] => 98128 [uid] => 32 [filename] => GIUDIZIO-MICHELA-ZANETTI-AGR06-PA_signed.pdf [uri] => public://2021/GIUDIZIO-MICHELA-ZANETTI-AGR06-PA_signed.pdf [filemime] => application/pdf [filesize] => 168813 [status] => 1 [timestamp] => 1632396866 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) [1] => Array ( [fid] => 98129 [uid] => 32 [filename] => Verbale_2 art. 24 comma 5-FINALE-AGR06-PA_signed.pdf [uri] => public://2021/Verbale_2 art. 24 comma 5-FINALE-AGR06-PA_signed.pdf [filemime] => application/pdf [filesize] => 194725 [status] => 1 [timestamp] => 1632396884 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [name] => carriere.docenti [picture] => 0 [data] => [num_revisions] => 1 [current_revision_id] => 367327 [is_current] => 1 [is_pending] => [revision_moderation] => [entity_view_prepared] => 1 ) [#items] => Array ( [0] => Array ( [fid] => 98128 [uid] => 32 [filename] => GIUDIZIO-MICHELA-ZANETTI-AGR06-PA_signed.pdf [uri] => public://2021/GIUDIZIO-MICHELA-ZANETTI-AGR06-PA_signed.pdf [filemime] => application/pdf [filesize] => 168813 [status] => 1 [timestamp] => 1632396866 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) [1] => Array ( [fid] => 98129 [uid] => 32 [filename] => Verbale_2 art. 24 comma 5-FINALE-AGR06-PA_signed.pdf [uri] => public://2021/Verbale_2 art. 24 comma 5-FINALE-AGR06-PA_signed.pdf [filemime] => application/pdf [filesize] => 194725 [status] => 1 [timestamp] => 1632396884 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) [#formatter] => file_default [0] => Array ( [#theme] => file_link [#file] => stdClass Object ( [fid] => 98128 [uid] => 32 [filename] => GIUDIZIO-MICHELA-ZANETTI-AGR06-PA_signed.pdf [uri] => public://2021/GIUDIZIO-MICHELA-ZANETTI-AGR06-PA_signed.pdf [filemime] => application/pdf [filesize] => 168813 [status] => 1 [timestamp] => 1632396866 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) [1] => Array ( [#theme] => file_link [#file] => stdClass Object ( [fid] => 98129 [uid] => 32 [filename] => Verbale_2 art. 24 comma 5-FINALE-AGR06-PA_signed.pdf [uri] => public://2021/Verbale_2 art. 24 comma 5-FINALE-AGR06-PA_signed.pdf [filemime] => application/pdf [filesize] => 194725 [status] => 1 [timestamp] => 1632396884 [type] => document [field_folder] => Array ( [und] => Array ( [0] => Array ( [tid] => 2408 ) ) ) [metadata] => Array ( ) [display] => 1 [description] => ) ) ) [links] => Array ( [#theme] => links__node [#pre_render] => Array ( [0] => drupal_pre_render_links ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) [node] => Array ( [#theme] => links__node__node [#links] => Array ( [node-readmore] => Array ( [title] => Read more about 2021PA517 - Verbale 2 - Giudizi [href] => node/81524 [html] => 1 [attributes] => Array ( [rel] => tag [title] => 2021PA517 - Verbale 2 - Giudizi ) ) ) [#attributes] => Array ( [class] => Array ( [0] => links [1] => inline ) ) ) ) )

Pagine