I LLM superano i classificatori tradizionali nei rinvii ambulatoriali dinamici

Un recente studio pubblicato su arXiv (2503.08292) esamina il rinvio ambulatoriale (OR) come un processo dinamico influenzato dall'acquisizione di informazioni e dalla riduzione dell'incertezza, contestando la visione tipica dell'OR come un problema di classificazione statico. I ricercatori hanno valutato sia scenari con informazioni fisse sul paziente sia situazioni di dialogo dinamico a più turni per determinare se i modelli linguistici di grandi dimensioni (LLM) migliorano i risultati dei rinvii attraverso previsioni migliori o domande più efficaci. I risultati indicano che, mentre gli LLM mostrano benefici minimi rispetto ai classificatori tradizionali nella precisione dei rinvii statici, eccellono in contesti dinamici ponendo domande di approfondimento che riducono l'incertezza riguardo ai potenziali reparti. Il punto di forza principale degli LLM è la loro capacità di porre domande interattive piuttosto che la loro precisione predittiva.