ETD

• large language models
• prompt tuning
• surgical site infection

Negli ultimi anni gli strumenti di Intelligenza Artificiale basati su Large Language Models (LLM) si sono rivelati efficaci in diversi ambiti di applicazione, incluso il dominio medico/clinico. Tra i vari aspetti di interesse in questo dominio si ritrova la necessità di monitorare il servizio ospedaliero attraverso l'analisi di dati non strutturati quali le cartelle cliniche dei pazienti. Trattandosi di dati estremamente sensibili, è fondamentale che i sistemi utilizzati facciano uso di modelli open-weights e di dimensioni ridotte per poter permettere l'implementazione "on premises". È inoltre fondamentale che i sistemi siano quanto più in grado possibile di identificare correttamente gli elementi di interesse, i.e. di non commettere errori di tipo 2 (falsi negativi).
Il presente lavoro di tesi mira a studiare le capacità dei LLM di medie dimensioni (da 4 a 20B di parametri) nel monitoraggio di casi di Infezione del Sito Chirurgico (Surgical Site Infection, SSI) post-operatoria, condizione rara ma impattante e gravosa per pazienti e strutture sanitarie, sia sul piano clinico che su quello economico. Sono state adottate diverse strategie per ottimizzare le prestazioni dei modelli, con particolare attenzione alla Recall. Per l'analisi, sono stati usati diversi modelli disponibili, specializzati sul dominio medico (MedGemma) e non (GPT-OSS, Deepseek-R1). Per quanto riguarda i dati, è stato possibile grazie a una collaborazione con Azienda Ospedaliera Universitaria Pisana (AOUP) accedere a un dataset clinico reale composto di circa 26000 cartelle cliniche, di cui circa 350 presentanti infezione.
Gli esperimenti condotti mostrano sia le potenzialità, sia importanti limiti nell'utilizzo di LLM in questo ambito.