Tesi etd-01082026-173540 |
Link copiato negli appunti
Tipo di tesi
Tesi di specializzazione (5 anni)
Autore
VALENTINI, TOMMASO
URN
etd-01082026-173540
Titolo
Applicazione e valutazione retrospettiva dell’accuratezza diagnostica di un algoritmo di intelligenza artificiale nei pazienti con dolore toracico afferenti al Dipartimento di Emergenza dell’Azienda Ospedaliero-Universitaria Pisana
Dipartimento
MEDICINA CLINICA E SPERIMENTALE
Corso di studi
MEDICINA D'EMERGENZA URGENZA
Relatori
relatore Prof. Ghiadoni, Lorenzo
relatore Dott.ssa Barbieri, Greta
relatore Dott.ssa Barbieri, Greta
Parole chiave
- dolore toracico
- intelligenza artificiale
- OpenAI
- pronto soccorso
Data inizio appello
27/01/2026
Consultabilità
Non consultabile
Data di rilascio
27/01/2096
Riassunto
Il dolore toracico in pronto soccorso rappresenta una sfida diagnostica per il medico d’emergenza-urgenza, infatti il numero di pazienti che si presentano in Pronto Soccorso con questa sintomatologia è molto elevato ed è associato sia a patologie benigne che a patologie tempo-dipendenti per cui potenzialmente mortali. La sua gestione parte da una valutazione iniziale ed immediata (che si compone dei parametri vitali, dell'anamnesi, dell’esame obiettivo, dell’elettrocardiogramma) e prosegue con gli esami ematochimici e la diagnostica (dall’ecografia fino ad arrivare ad esami più approfonditi come la TC). Si utilizzano algoritmi di stratificazione del rischio (come l’HEART Score o il GRACE Score) che aiutano il medico nell’identificare il corretto percorso del paziente ed identificare i pazienti ad alto rischio.
Lo scopo di questo lavoro di tesi è stato analizzare una popolazione di pazienti con diagnosi di ingresso in Pronto Soccorso di “dolore toracico”, valutare l’approccio diagnostico applicato e gli esiti degli approfondimenti eseguiti per poi confrontare le diagnosi effettuate dai medici dell’Azienda Ospedaliera Universitaria Pisana con quelle proposte dall’analisi dello stesso gruppo dei pazienti da parte dell’intelligenza artificiale OpenAI.
Abbiamo eseguito la valutazione dei pazienti da parte di OpenAI utilizzando in due diverse fasi fornendo un numero maggiore di dati tra la prima e la seconda interrogazione simulando la valutazione dei pazienti in due diverse fasi: la prima al momento dell’arrivo in Triage e la seconda dopo gli accertamenti eseguiti nella prima fase diagnostica.
Per l’analisi dei dati è stato impiegato un modello di linguaggio di grandi dimensioni (Large Language Model, LLM) fornito da OpenAI, nello specifico “gpt-5-mini-2025-08-07”, l’interazione con il modello è avvenuta tramite API ufficiale OpenAI, utilizzando un ambiente Google Colab e uno script Python dedicato. Ogni paziente è stato analizzato in modo indipendente, mediante una singola chiamata al modello per ciascuna riga del dataset (“row-by-row processing”).
Lo scopo di questo lavoro di tesi è stato analizzare una popolazione di pazienti con diagnosi di ingresso in Pronto Soccorso di “dolore toracico”, valutare l’approccio diagnostico applicato e gli esiti degli approfondimenti eseguiti per poi confrontare le diagnosi effettuate dai medici dell’Azienda Ospedaliera Universitaria Pisana con quelle proposte dall’analisi dello stesso gruppo dei pazienti da parte dell’intelligenza artificiale OpenAI.
Abbiamo eseguito la valutazione dei pazienti da parte di OpenAI utilizzando in due diverse fasi fornendo un numero maggiore di dati tra la prima e la seconda interrogazione simulando la valutazione dei pazienti in due diverse fasi: la prima al momento dell’arrivo in Triage e la seconda dopo gli accertamenti eseguiti nella prima fase diagnostica.
Per l’analisi dei dati è stato impiegato un modello di linguaggio di grandi dimensioni (Large Language Model, LLM) fornito da OpenAI, nello specifico “gpt-5-mini-2025-08-07”, l’interazione con il modello è avvenuta tramite API ufficiale OpenAI, utilizzando un ambiente Google Colab e uno script Python dedicato. Ogni paziente è stato analizzato in modo indipendente, mediante una singola chiamata al modello per ciascuna riga del dataset (“row-by-row processing”).
File
| Nome file | Dimensione |
|---|---|
Tesi non consultabile. |
|