AFFILIAZIONE
università degli studi di trieste
AUTORE PRINCIPALE
Dr. Kresevic Simone
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Dr. Kresevic Simone università degli studi di trieste
Prof. Ajcevic Milos università degli studi di trieste
Prof. Accardo Agostino università degli studi di trieste
Prof. Ajcevic Milos università degli studi di trieste
Prof. Accardo Agostino università degli studi di trieste
AREA TEMATICA
Applicazioni innovative di bioingegneria: idee dalle Università
ABSTRACT
Il processo decisionale clinico si basa sulla Medicina Basata sulle Evidenze (EBM) e lo strumento cardine per una corretta aderenza all’EBM sono le linee guida, elaborate dai massimi esperti, per garantire standard elevati di cura. Tuttavia, l’adozione pratica dell’EBM è spesso incoerente, poiché integrare raccomandazioni complesse e in continua evoluzione nei flussi clinici risulta difficile; infatti, ogni raccomandazione viene aggiornata, in media, ogni due anni.
Il presente studio propone un framework innovativo che unisce le potenzialità dei modelli linguistici di grandi dimensioni (LLM) alla tecnica di Retrieval-Augmented Generation (RAG) per migliorare l’aderenza alle raccomandazioni cliniche. Sono state utilizzate 33 linee guida inerenti alle patologie del fegato, formattate in blocchi semantici ed è stato implementato un sistema di recupero automatico in tempo reale che estrae le informazioni più rilevanti da uno spazio di rappresentazione astratto per domanda, alimentando le capacità generative del LLM ed evitando “allucinazioni”.
Un aspetto cruciale del framework è l’adozione di modelli LLM open source, che consentono di eseguire l’intero processo in ambiente locale, eliminando la dipendenza da servizi esterni (ad es. OpenAI). Ciò permette di gestire e processare dati sensibili esclusivamente all’interno dell’intranet ospedaliera, garantendo il pieno controllo, la conformità alle normative in materia di sicurezza e privacy (GDPR, HIPAA) e la mitigazione dei rischi di data breach e accessi non autorizzati. La piattaforma risultante è dunque sicura e idonea ad ambienti regolati, requisito fondamentale per l’adozione di tecnologie avanzate in ambito sanitario.
Utilizzando un dataset di 4202 Q&A, il framework ha dimostrato una notevole riduzione degli errori, con un incremento dell’accuratezza dal 60–65% nella configurazione base a oltre il 90% grazie al RAG, abbattendo le “allucinazioni” dal 40% a meno del 10%, senza differenze significative tra LLM open source e proprietari.
Questo studio evidenzia come la combinazione di LLM e RAG possa costituire un valido supporto per l’interpretazione delle linee guida cliniche, facilitando l’adozione dell’EBM e contribuendo a decisioni terapeutiche più sicure e informate. L’approccio proposto, con la sua architettura locale e focalizzata sulla sicurezza, offre una soluzione che apre la strada a sistema sanitario più integrato, efficiente, protetto e sempre più orientato alla medicina di precisione.
Il presente studio propone un framework innovativo che unisce le potenzialità dei modelli linguistici di grandi dimensioni (LLM) alla tecnica di Retrieval-Augmented Generation (RAG) per migliorare l’aderenza alle raccomandazioni cliniche. Sono state utilizzate 33 linee guida inerenti alle patologie del fegato, formattate in blocchi semantici ed è stato implementato un sistema di recupero automatico in tempo reale che estrae le informazioni più rilevanti da uno spazio di rappresentazione astratto per domanda, alimentando le capacità generative del LLM ed evitando “allucinazioni”.
Un aspetto cruciale del framework è l’adozione di modelli LLM open source, che consentono di eseguire l’intero processo in ambiente locale, eliminando la dipendenza da servizi esterni (ad es. OpenAI). Ciò permette di gestire e processare dati sensibili esclusivamente all’interno dell’intranet ospedaliera, garantendo il pieno controllo, la conformità alle normative in materia di sicurezza e privacy (GDPR, HIPAA) e la mitigazione dei rischi di data breach e accessi non autorizzati. La piattaforma risultante è dunque sicura e idonea ad ambienti regolati, requisito fondamentale per l’adozione di tecnologie avanzate in ambito sanitario.
Utilizzando un dataset di 4202 Q&A, il framework ha dimostrato una notevole riduzione degli errori, con un incremento dell’accuratezza dal 60–65% nella configurazione base a oltre il 90% grazie al RAG, abbattendo le “allucinazioni” dal 40% a meno del 10%, senza differenze significative tra LLM open source e proprietari.
Questo studio evidenzia come la combinazione di LLM e RAG possa costituire un valido supporto per l’interpretazione delle linee guida cliniche, facilitando l’adozione dell’EBM e contribuendo a decisioni terapeutiche più sicure e informate. L’approccio proposto, con la sua architettura locale e focalizzata sulla sicurezza, offre una soluzione che apre la strada a sistema sanitario più integrato, efficiente, protetto e sempre più orientato alla medicina di precisione.
