Intelligenza Artificiale costruita intorno al problema, non semplicemente collegata a un chatbot
MediSuite utilizza modelli di Intelligenza Artificiale generativa, ma il funzionamento dei suoi prodotti non dipende semplicemente dalla capacità di un singolo Large Language Model generalista.
Genomedics progetta e sviluppa modelli AI specializzati, pipeline proprietarie e sistemi di Retrieval-Augmented Generation, costruiti intorno alle caratteristiche dei diversi problemi clinici.
La scelta nasce da un principio semplice: leggere un referto, interpretare correttamente un’informazione clinica, individuare una codifica o ricercare evidenze scientifiche sono attività profondamente diverse.
Utilizzare per tutte lo stesso modello e lo stesso processo significherebbe rinunciare a controllo, specializzazione e verificabilità.
Un’architettura specializzata
Modelli differenti per compiti differenti
In MediSuite l’Intelligenza Artificiale viene utilizzata attraverso architetture nelle quali ogni componente svolge una funzione definita.
Questo permette di separare:
acquisizione dell’informazione da interpretazione del significato da controllo e validazione dell’output.
Il risultato non dipende quindi necessariamente da un’unica generazione del modello, ma può essere prodotto attraverso più passaggi indipendenti, ciascuno progettato per ridurre uno specifico tipo di errore.
Questa filosofia è particolarmente evidente in MediOCR.
MediOCR
Tre modelli AI proprietari. Lettura, interpretazione, controllo.
Un documento sanitario è molto più complesso di una sequenza di parole.
Una lettera di dimissione può contenere diagnosi certe e diagnosi sospette, terapie già in corso e nuove prescrizioni, anamnesi remote, valori di laboratorio, indicazioni per il follow-up e informazioni riportate semplicemente come contesto.
Per trasformare quel documento in dati utilizzabili non basta riconoscerne il testo.
Per questo MediOCR utilizza tre componenti AI proprietarie specializzate e interconnesse.
1. Lettura ed estrazione
Dal documento all’informazione
Il primo modello analizza il documento e ne identifica struttura e contenuti.
Referti, PDF e immagini cliniche vengono trasformati da informazioni non strutturate in una rappresentazione che il sistema può analizzare.
L’obiettivo è individuare gli elementi clinicamente rilevanti, come diagnosi, terapie, valori, procedure, indicazioni e follow-up.
2. Interpretazione clinica
Capire cosa significa, non soltanto cosa è scritto
La seconda componente AI lavora sul contesto.
Una frase come:
“Da escludere diabete mellito”
non ha lo stesso significato di:
“Diabete mellito tipo 2 in terapia con metformina”.
Per una tradizionale estrazione di parole chiave entrambe contengono “diabete mellito”. Clinicamente rappresentano situazioni completamente differenti.
Il modello di interpretazione cerca quindi di distinguere, ad esempio:
- diagnosi confermate da ipotesi diagnostiche;
- condizioni attuali da elementi anamnestici;
- terapia in corso da terapia proposta;
- presenza da negazione di una condizione;
- indicazioni specialistiche da decisioni già adottate;
- informazioni rilevanti da riferimenti puramente descrittivi.
È questo passaggio che trasforma l’estrazione testuale in interpretazione dell’informazione clinica.
3. Controllo e codifica
Una seconda verifica prima della proposta al medico
La terza componente AI analizza quanto prodotto nei passaggi precedenti.
Controlla la coerenza dell’output, individua informazioni potenzialmente ambigue e prepara una rappresentazione utilizzabile dal sistema.
Quando previsto, gli elementi riconosciuti possono inoltre essere correlati con le codifiche cliniche più appropriate.
Il risultato viene quindi presentato al medico come proposta.
Nessuna interpretazione dell’IA diventa automaticamente un dato clinico validato.
Il professionista può verificarla, modificarla, accettarla o rifiutarla.
Perché tre modelli?
Una pipeline composta da più componenti permette di affrontare separatamente problemi che richiedono capacità differenti.
Il primo livello risponde alla domanda: Che cosa contiene il documento?
Il secondo: Che significato clinico ha ciò che è scritto?
Il terzo: Quanto è coerente ciò che abbiamo interpretato e come può essere strutturato?
Ogni passaggio può quindi controllare e raffinare quello precedente.
Non elimina la possibilità di errore, ma permette di costruire un processo più controllabile e supervisionabile rispetto a una singola richiesta inviata a un modello generalista.
MediBot
Un RAG proprietario per collegare la domanda del medico alle evidenze
MediBot affronta un problema completamente diverso.
Qui non dobbiamo interpretare un documento appartenente al paziente. Dobbiamo individuare rapidamente le informazioni scientifiche più pertinenti rispetto a una domanda clinica.
Per questo Genomedics ha sviluppato una propria architettura di Retrieval-Augmented Generation, RAG.
Il principio del RAG è separare due operazioni: recuperare le informazioni pertinenti e utilizzare il modello linguistico per costruire la risposta.
MediBot utilizza questa architettura per interrogare e indicizzare fonti scientifiche, comprese le informazioni bibliografiche disponibili attraverso PubMed, e portare al modello soltanto i contenuti ritenuti pertinenti rispetto alla domanda formulata dal medico. MediBot è infatti progettato per restituire risposte accompagnate da riferimenti alle fonti scientifiche utilizzate.
Prima recuperare. Poi generare.
La differenza tra un LLM generalista e un sistema RAG
Un modello linguistico generalista produce una risposta sulla base delle informazioni apprese durante il proprio addestramento e del contesto che riceve al momento della richiesta.
Un sistema RAG introduce un passaggio aggiuntivo.
1. Il medico pone la domanda
Ad esempio:
“Quali sono le evidenze più recenti sul trattamento farmacologico dell’obesità nel paziente con diabete tipo 2?”
2. MediBot interpreta il quesito
Il sistema identifica i concetti clinici rilevanti e costruisce la strategia di recupero delle informazioni.
3. Il RAG ricerca le evidenze
Il motore proprietario individua nella propria base indicizzata i documenti e i contenuti scientifici semanticamente più pertinenti.
4. Le informazioni vengono fornite al modello
Il Large Language Model non deve quindi rispondere soltanto sulla base della propria conoscenza interna. Riceve un contesto costruito utilizzando le evidenze recuperate.
5. MediBot genera la risposta
La risposta viene organizzata in una forma leggibile dal medico mantenendo, quando disponibili, i riferimenti alle fonti utilizzate.
Il medico può così passare dalla risposta al documento scientifico originale e verificarne direttamente il contenuto.
Indicizzare non significa semplicemente cercare parole
Un motore RAG utilizza rappresentazioni semantiche dei contenuti.
Questo permette di ricercare documenti non soltanto perché contengono esattamente le parole utilizzate nella domanda, ma perché trattano concetti semanticamente correlati.
Una domanda formulata nel linguaggio naturale del medico può quindi essere collegata a terminologia scientifica, sinonimi e formulazioni presenti negli articoli.
Il lavoro di Genomedics non consiste soltanto nel collegare MediBot a PubMed.
Consiste nel costruire il processo attraverso cui una domanda clinica viene trasformata in ricerca, la ricerca in evidenza recuperata e l’evidenza in contesto per il modello linguistico.
Modelli privati e controllo della pipeline
Più controllo sui passaggi nei quali l’IA utilizza informazioni cliniche
Lo sviluppo di componenti proprietarie permette a Genomedics di controllare una parte maggiore della pipeline AI.
Possiamo definire:
- quali dati vengono utilizzati;
- quali informazioni raggiungono ciascun componente;
- quali istruzioni governano il modello;
- quali fonti possono essere interrogate;
- come viene costruito il contesto;
- quali controlli vengono applicati all’output;
- quando è necessaria la validazione del medico.
Questo è particolarmente importante in sanità, dove il comportamento del sistema deve essere progettato intorno alla natura e alla sensibilità delle informazioni trattate.
Privato non significa isolato dall’evoluzione dell’AI
MediSuite può utilizzare anche tecnologie e Large Language Model sviluppati dai principali provider internazionali.
La componente proprietaria riguarda il modo nel quale questi modelli vengono selezionati, configurati, orchestrati e inseriti nei processi MediSuite, insieme ai modelli e ai sistemi sviluppati direttamente da Genomedics.
Questo approccio permette di beneficiare dell’evoluzione dei foundation model senza trasformare MediSuite in una semplice interfaccia verso un provider esterno. Il valore non risiede soltanto nel modello utilizzato. Risiede nell’architettura costruita intorno al modello.
Un’AI più specializzata è anche più controllabile
Quando un modello deve fare tutto, diventa più difficile stabilire dove e perché si è verificato un errore.
Separare lettura, interpretazione, retrieval, verifica e codifica permette invece di osservare più chiaramente i singoli passaggi.
Per MediSuite questo significa poter lavorare progressivamente su:
- accuratezza: misurando la capacità dei modelli di riconoscere correttamente le informazioni;
- robustezza: verificando il comportamento su documenti e formulazioni differenti;
- tracciabilità: mantenendo distinguibili dati originali, informazioni estratte e contenuti generati;
- supervisione: portando al medico una proposta che può essere verificata prima dell’utilizzo.
Proprietario non significa infallibile
Un modello sviluppato internamente può comunque sbagliare.
Un sistema RAG può recuperare un articolo non perfettamente pertinente.
Un LLM può interpretare in modo errato un’informazione.
Per questo l’architettura proprietaria di MediSuite non viene utilizzata per eliminare il medico dal processo, ma per costruire un processo nel quale il comportamento dell’IA sia maggiormente delimitato, verificabile e supervisionabile.
MediSuite applica quindi lo stesso principio già adottato nelle altre componenti della piattaforma:
L’IA analizza e propone. Il medico verifica e decide.
Dalla ricerca sui modelli alla pratica quotidiana
L’obiettivo di Genomedics non è sviluppare un LLM generalista.
È costruire sistemi di Intelligenza Artificiale capaci di svolgere bene compiti molto specifici della pratica medica.
Leggere un documento clinico. Comprenderne il significato. Recuperare un’evidenza scientifica pertinente. Controllare un’informazione. Proporre una codifica.
Sono problemi diversi e richiedono tecnologie, dati e controlli differenti. È su questa specializzazione che stiamo costruendo l’Intelligenza Artificiale di MediSuite.
