LLM come Fabbriche di Dati per il Recupero di Codici Clinici in Lingue non Inglesi

Un recente studio pubblicato su arXiv (2605.30529) esplora il potenziale dei grandi modelli linguistici generativi per creare dati di training sintetici volti a migliorare il recupero di codici clinici per lingue non inglesi. I ricercatori hanno sviluppato un sistema di recupero a due stadi, composto da un bi-encoder e un cross-encoder reranker, ottimizzato utilizzando un encoder biomedico spagnolo (PlanTL-GOB-ES/bsc-bio-ehr-es) su dati sintetici generati da Gemini. Il bi-encoder ha raggiunto un Mean Reciprocal Rank (MRR) di 0,876, superando BioBERT-ST con 0,866, e lo ha superato in Recall@3 (0,650 vs. 0,626) e Recall@5 (0,804 vs. 0,790) senza precedente addestramento biomedico in inglese. L'incorporazione di un cross-encoder reranker ha portato il Recall@5 complessivo a 0,822, affrontando il calo nel recupero dei codici ICD-10-CM/CIE-10 oltre l'inglese, una carenza spesso oscurata dai benchmark aggregati.