Impiego di LLM per la standardizzazione di dati sanitari in formato HL7 FHIR

L’interoperabilità dei dati clinici rappresenta una condizione essenziale per una sanità digitale efficiente, ma la mappatura manuale verso standard come HL7 FHIR è un processo complesso, dispendioso e soggetto a errori. Questa tesi indaga l’impiego dei Large Language Models (LLM) come strumento di supporto alla standardizzazione semantica, con l’obiettivo di ridurre il carico manuale e aumentare l’accuratezza delle mappature. A partire dal database MIMIC-IV, sono state generate descrizioni ottimizzate dei campi clinici e sono state sperimentate tecniche di prompt engineering, query expansion e retrieval-augmented generation (RAG) per guidare il modello nell’associazione con le risorse FHIR più appropriate. I risultati mostrano che i LLM, se opportunamente orientati, possono garantire un livello di precisione elevato e una buona coerenza semantica, confermando la loro potenzialità come strumenti di supporto nei processi di integrazione clinica. Oltre a validare la fattibilità tecnica dell’approccio, il lavoro fornisce un contributo metodologico, delineando linee guida e pattern linguistici utili per la costruzione di descrizioni efficaci. In prospettiva, questo approccio apre la strada a sistemi di standardizzazione automatica più robusti, replicabili e adattabili a diversi contesti applicativi della sanità digitale.