Uno studio realizzato dall’Università di Trieste in collaborazione con Yale University, pubblicato da Nature Npj Digital Medicine, è entrato nella top ten degli articoli più citati nel corso del 2024 sulla prestigiosa rivista scientifica, classificandosi all’ottavo posto della classifica stilata dall’editore.

L’articolo intitolato "Optimization of hepatological clinical guidelines interpretation by large language models: a retrieval augmented generation-based framework” ha visto il contributo di un gruppo di ricerca interdisciplinare UniTS, composto da Simone Kresevic, dottorando in Ingegneria biomedica e clinica, Miloš Ajčević e Agostino Accardo del Dipartimento di Ingegneria e Architettura e Lory Saveria Crocè, gastroenterologa del Dipartimento di Scienze Mediche, Chirurgiche e della Salute.

Lo studio ha fruito della collaborazione tra il gruppo di ricercatori dell’Ateneo giuliano e la Yale School of Medicine, in particolare del centro Human+Artificial Intelligence in Medicine di New Heaven (Connecticut, USA), con i contributi di Dennis L. Shung, direttore del laboratorio di ricerca, e di Mauro Giuffrè, co-autori dell'articolo.

I ricercatori hanno esplorato l’utilizzo di sistemi di AI generativa in grado di comprendere e generare linguaggio umano mediante l'elaborazione di grandi quantità di dati, i Large Language Models – LLM, cioè i modelli linguistici di grandi dimensioni, per ottimizzare il supporto alle decisioni cliniche nel campo della medicina.

In questo studio è stata pertanto sviluppata un'infrastruttura digitale (framework) basata su LLM che, attraverso una corretta formattazione delle linee guida cliniche, potrebbe migliorare la consultazione e l'applicazione delle stesse nella pratica clinica.

La ricerca si concentra, in particolare, sull’integrazione di questi modelli di Intelligenza Artificiale per migliorare l’interpretazione delle linee guida mediche relative alla gestione delle infezioni croniche causate dal virus dell’epatite C (HCV).

Questo sistema, utilizzando tecniche di Retrieval Augmented Generation (RAG), un metodo che consente di estrarre le informazioni rilevanti contenute nelle linee guida cliniche, rielaborarle mediante LLM e, attraverso il processo generativo, fornire risposte a domande relative alle linee guida in modo chiaro e accuratamente strutturato. 

L'attività di ricerca ora prosegue per espandere il funzionamento del framework su diverse patologie del fegato. Questo filone di ricerca potrebbe offrire un sistema in grado di supportare i medici con decisioni basate sulle migliori evidenze scientifiche disponibili.

"Con questo approccio - spiega il dott. Simone Kresevic, prima firma dell’articolo assieme a Mauro Giuffrè - stiamo ponendo le basi per utilizzare l'intelligenza artificiale nella pratica clinica quotidiana. La medicina basata sull'evidenza, che rappresenta un pilastro fondamentale della medicina moderna, punta a integrare le migliori evidenze scientifiche disponibili con l'esperienza clinica e le necessità dei pazienti. Tuttavia, la complessità e il volume delle linee guida cliniche rappresentano spesso una barriera significativa nella loro applicazione.

Attraverso questo framework - conclude Kresevic - possiamo offrire uno strumento a supporto del clinico e dunque supportare una medicina basata sull'evidenza e personalizzata, colmando il divario tra la ricerca di alta qualità e l'assistenza sanitaria concreta, soprattutto in ambiti complessi come l'epatologia”.