As healthcare data continues to expand at an unprecedented rate, medical professionals are faced with the challenge of efficiently extracting meaningful insights from this vast repository of information. This dissertation delves into the transformative potential of natural language interaction to revolutionize healthcare information retrieval, fostering a more efficient and patient-centered approach to care delivery by enabling doctors to interact with clinical notes using natural language queries. This research investigates the effectiveness of transformer-based language models in facilitating clinical information retrieval, leveraging a range of language model architectures in different real-world medical scenarios, and proposing methodological solutions to specific issues related to the biomedical field. To guarantee a proper implementation in the clinical practice, the dissertation also explores the crucial issue of linguistic diversity when deploying language models for hospitals to ensure equitable access to medical breakthroughs across diverse linguistic landscapes, as well as the computational constraints of hardware-limited healthcare settings to reduce memory footprint without compromising performance. In conclusion, this dissertation underlines the transformative potential of transformer-based language models in shaping a more human-centric, natural, and intuitive approach to accessing and utilizing biomedical information. By bridging the linguistic divide and accommodating computational constraints, natural language interaction with advanced biomedical language models has the potential to revolutionize healthcare information retrieval practices, empowering doctors to optimize patient care by minimizing time spent on documentation and data entry.

A causa della rapida crescita dei dati sanitari, i professionisti del settore medico si trovano di fronte alla sfida di estrarre in modo efficiente informazioni significative da questo vasto archivio di informazioni. Questa tesi analizza il potenziale trasformativo dell'interazione in linguaggio naturale per rivoluzionare le pratiche di reperimento delle informazioni sanitarie, promuovendo un approccio alla fornitura di cure pi\`{u} efficiente e incentrato sul paziente, consentendo ai medici di interagire con le note cliniche utilizzando espressioni in linguaggio naturale. Questa ricerca indaga l'efficacia dei modelli linguistici basati su Transformer nel facilitare il reperimento di informazioni cliniche, sfruttando una serie di architetture di modelli linguistici in diversi scenari medici del mondo reale e proponendo soluzioni metodologiche alle problematiche peculiari del settore biomedico. Per garantire una traslazione efficiente nella pratica clinica, la tesi esplora inoltre la questione cruciale della diversit\`{a} linguistica nell'implementazione dei modelli linguistici per gli ospedali, per garantire un accesso equo ai progressi della sanit\`{a} in diversi contesti linguistici, nonch\'{e} i vincoli computazionali tipici delle istituzioni i sanitarie con hardware limitato con necessit\`{a} di ridurre l'ingombro di memoria senza compromettere le prestazioni. In conclusione, questa tesi ribadisce il potenziale trasformativo dei modelli linguistici basati su Transformers nel dare forma a un approccio pi\`{u} antropocentrico all'accesso e all'utilizzo delle informazioni biomediche. Colmando il divario linguistico e adattandosi ai vincoli computazionali, l'interazione in linguaggio naturale tramite i pi\`{u} avanzati modelli linguistici biomedicali ha il potenziale per rivoluzionare le pratiche di reperimento delle informazioni sanitarie, consentendo ai medici di ottimizzare la cura dei pazienti riducendo al minimo il tempo dedicato alla refertazione, alla consultazione e all'inserimento dei dati.

Towards Natural Language Interaction in Clinical Information Extraction

BUONOCORE, TOMMASO MARIO
2024-04-12

Abstract

As healthcare data continues to expand at an unprecedented rate, medical professionals are faced with the challenge of efficiently extracting meaningful insights from this vast repository of information. This dissertation delves into the transformative potential of natural language interaction to revolutionize healthcare information retrieval, fostering a more efficient and patient-centered approach to care delivery by enabling doctors to interact with clinical notes using natural language queries. This research investigates the effectiveness of transformer-based language models in facilitating clinical information retrieval, leveraging a range of language model architectures in different real-world medical scenarios, and proposing methodological solutions to specific issues related to the biomedical field. To guarantee a proper implementation in the clinical practice, the dissertation also explores the crucial issue of linguistic diversity when deploying language models for hospitals to ensure equitable access to medical breakthroughs across diverse linguistic landscapes, as well as the computational constraints of hardware-limited healthcare settings to reduce memory footprint without compromising performance. In conclusion, this dissertation underlines the transformative potential of transformer-based language models in shaping a more human-centric, natural, and intuitive approach to accessing and utilizing biomedical information. By bridging the linguistic divide and accommodating computational constraints, natural language interaction with advanced biomedical language models has the potential to revolutionize healthcare information retrieval practices, empowering doctors to optimize patient care by minimizing time spent on documentation and data entry.
12-apr-2024
A causa della rapida crescita dei dati sanitari, i professionisti del settore medico si trovano di fronte alla sfida di estrarre in modo efficiente informazioni significative da questo vasto archivio di informazioni. Questa tesi analizza il potenziale trasformativo dell'interazione in linguaggio naturale per rivoluzionare le pratiche di reperimento delle informazioni sanitarie, promuovendo un approccio alla fornitura di cure pi\`{u} efficiente e incentrato sul paziente, consentendo ai medici di interagire con le note cliniche utilizzando espressioni in linguaggio naturale. Questa ricerca indaga l'efficacia dei modelli linguistici basati su Transformer nel facilitare il reperimento di informazioni cliniche, sfruttando una serie di architetture di modelli linguistici in diversi scenari medici del mondo reale e proponendo soluzioni metodologiche alle problematiche peculiari del settore biomedico. Per garantire una traslazione efficiente nella pratica clinica, la tesi esplora inoltre la questione cruciale della diversit\`{a} linguistica nell'implementazione dei modelli linguistici per gli ospedali, per garantire un accesso equo ai progressi della sanit\`{a} in diversi contesti linguistici, nonch\'{e} i vincoli computazionali tipici delle istituzioni i sanitarie con hardware limitato con necessit\`{a} di ridurre l'ingombro di memoria senza compromettere le prestazioni. In conclusione, questa tesi ribadisce il potenziale trasformativo dei modelli linguistici basati su Transformers nel dare forma a un approccio pi\`{u} antropocentrico all'accesso e all'utilizzo delle informazioni biomediche. Colmando il divario linguistico e adattandosi ai vincoli computazionali, l'interazione in linguaggio naturale tramite i pi\`{u} avanzati modelli linguistici biomedicali ha il potenziale per rivoluzionare le pratiche di reperimento delle informazioni sanitarie, consentendo ai medici di ottimizzare la cura dei pazienti riducendo al minimo il tempo dedicato alla refertazione, alla consultazione e all'inserimento dei dati.
File in questo prodotto:
File Dimensione Formato  
TESI_DOTTORATO_FINAL_B5__oneside__pdfA.pdf

embargo fino al 22/10/2025

Descrizione: Towards Natural Language Interaction in Clinical Information Extraction
Tipologia: Tesi di dottorato
Dimensione 14.65 MB
Formato Adobe PDF
14.65 MB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11571/1495309
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact