Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
Physicians, residents and students spent about two hours reviewing each electronic health record (EHR) in a Thomas Jefferson University study. A large language model (LLM)—an artificial-intelligence system used here to read medical text—handled the same extraction task in 20 to 42 seconds; the comparison covered 411 breast and lung cancer patients.
In uno studio della Thomas Jefferson University, medici, specializzandi e studenti hanno impiegato circa due ore per esaminare ciascuna cartella clinica elettronica (EHR). Un large language model (LLM), un sistema di intelligenza artificiale utilizzato in questo caso per leggere testi medici, ha svolto lo stesso compito di estrazione in 20-42 secondi; il confronto ha riguardato 411 pazienti con tumore al seno o ai polmoni.
The target was cardiotoxicity, heart-related damage caused by cancer treatment. Breast and lung cancer patients face increased risk because the heart, lungs and breasts are close together. The damage can raise the risk of heart attacks, heart failure and other cardiac conditions, but finding evidence in patient records can require reading through hundreds of files.
L’obiettivo era la cardiotossicità, cioè il danno al cuore causato dai trattamenti oncologici. I pazienti con tumore al seno o ai polmoni corrono un rischio maggiore perché cuore, polmoni e seni sono vicini tra loro. Il danno può aumentare il rischio di infarto, insufficienza cardiaca e altre patologie cardiache, ma trovare le prove nelle cartelle dei pazienti può richiedere la lettura di centinaia di documenti.
The framework did more than search for a word. Its prompts looked for relevant keywords while checking for false positives, so a note saying a patient denied a disease—or that a heart attack was “ruled out”—was not counted as a cardiac event. That distinction matters in medical records, where negative findings can be phrased in many ways.
Il framework faceva più che cercare una parola. I suoi prompt individuavano le parole chiave pertinenti verificando al contempo la presenza di falsi positivi: una nota in cui si affermava che un paziente aveva negato di avere una malattia, o che un infarto era stato «escluso», non veniva conteggiata come evento cardiaco. Questa distinzione è importante nelle cartelle cliniche, dove i riscontri negativi possono essere formulati in molti modi.
The researchers used open-source LLMs and reported that the framework found cardiac-event data 71% to 85.5% of the time. During initial screening, DeepSeek-R1-70b, Llama-3.3 and Mistral-Large showed the strongest balance of diagnostic accuracy and formatting adherence, so the three models moved into validation cohorts.
I ricercatori hanno utilizzato LLM open source e riferito che il framework trovava dati sugli eventi cardiaci nel 71%-85,5% dei casi. Durante la selezione iniziale, DeepSeek-R1-70b, Llama-3.3 e Mistral-Large hanno mostrato il miglior equilibrio tra accuratezza diagnostica e rispetto del formato, quindi i tre modelli sono passati alle coorti di validazione.
Concretely, for oncology research teams, the system could turn a slow first pass through patient records into a much faster way to assemble cardiotoxicity data. For patients, the hoped-for next step is to identify those more likely to develop heart complications and use that information to shape radiation treatment, potentially reducing side effects. The paper presents that as a goal, not a current clinical service: further refinement is still needed, and the reported work does not show improved patient outcomes.
In concreto, per i team di ricerca oncologica, il sistema potrebbe trasformare la lenta prima revisione delle cartelle dei pazienti in un metodo molto più rapido per raccogliere dati sulla cardiotossicità. Per i pazienti, il passo successivo auspicato è individuare quelli più esposti allo sviluppo di complicazioni cardiache e utilizzare queste informazioni per definire il trattamento radioterapico, riducendo potenzialmente gli effetti collaterali. L’articolo presenta questo obiettivo come un traguardo futuro, non come un servizio clinico attuale: sono ancora necessari ulteriori perfezionamenti e il lavoro descritto non dimostra un miglioramento degli esiti per i pazienti.