Immaginate due medici: uno ha letto tutti i trattati possibili, l'altro ha passato anni in reparto a leggere cartelle cliniche. Quale dei due riconosce prima una complicanza rara? La stessa domanda, trasferita ai modelli, è al centro di uno studio che ha variato in modo controllato il rapporto tra dati didattici e dati clinici nell'addestramento di LLM medici. La risposta non è binaria: il tipo di dato cambia il profilo delle capacità, non solo il punteggio medio.

I ricercatori hanno condotto esperimenti con parità di token, modificando la proporzione tra manuali e testi didattici da un lato e cartelle cliniche e dati EHR dall'altro. L'effetto principale è un trasferimento asimmetrico: i dati clinici migliorano i compiti orientati alla clinica e restano competitivi su quelli ad alta intensità di conoscenza; i dati didattici, da soli, spingono soprattutto i task di conoscenza. Non è una differenza marginale: l'analisi degli errori mostra un divario tra sapere e fare, in cui recuperare nozioni non si traduce in modo affidabile in ragionamento clinico.

Il divario tra sapere e fare

Qui sta il punto strutturale. Se la conoscenza non si trasferisce automaticamente alla pratica, allora il valore di un LLM medico non si misura soltanto con benchmark di accuratezza nozionistica. La composizione del dataset diventa una leva progettuale: per compiti che richiedono ragionamento su dati clinici reali, i risultati suggeriscono che concentrare la raccolta e la curatela sui dati clinici produce la maggior parte dei benefici, anche in quantità limitate. Il rapporto ottimale non è fisso, ma dipende dalle richieste di conoscenza e di ragionamento clinico del compito a valle.

Questo sposta il baricentro della progettazione: non si parte dal dataset disponibile, ma dal caso d'uso. Chi addestra modelli medici generalisti in prevalenza su testi didattici rischia di promettere una competenza clinica che il dato non ha costruito. Al contrario, chi controlla archivi clinici strutturati — reti ospedaliere, enti sanitari, gruppi di ricerca con accesso a cartelle — detiene la risorsa più difficile da replicare. Il vantaggio competitivo, qui, non sta nella potenza di calcolo, ma nella qualità e nella governance dei dati.

Per chi valuta deployment on-premise, questo ha una conseguenza diretta. Trattare cartelle cliniche per addestramento o fine-tuning impone vincoli di sovranità del dato e conformità normativa, e rende i repository locali un asset di sviluppo, non solo un costo di archiviazione. La fonte non fornisce specifiche hardware, ma il principio vale per qualunque pipeline: la qualità e la pertinenza del dato pesano più dell'ottimizzazione degli iperparametri. AI-RADAR offre framework analitici su /llm-onpremise per valutare i trade-off tra controllo dei dati, costi infrastrutturali e complessità di gestione.

Il divario tra sapere e fare è, in fondo, il divario tra un motore di ricerca medico e un clinico. La composizione dei dati decide da che parte sta il modello.