LLMs em Diagnóstico Médico

Fonte: aprendis
Revisão em 21h58min de 28 de janeiro de 2025 por Diana Rios (discussão | contribs) (→‎LLMs em Diagnóstico Médico)
(dif) ← Revisão anterior | Revisão atual (dif) | Revisão seguinte → (dif)
Saltar para a navegaçãoSaltar para a pesquisa

LLMs em Diagnóstico Médico

Os modelos de linguagem ampla (LLMs) parecem trazer um avanço significativo na forma como a humanidade lida com informações e o conhecimento, o uso de Deep Learning (DL) é a essência do funcionamento de tais modelos, e conseguem predizer a próxima palavras que deve ser colocada no texto que esta a ser gerado. Tudo isso feito através do treinamento de modelos que envolvem matemática e estatística avançada.[1][2]

Com o avanço de uma ferramenta tecnológica tão revolucionária surge o importante questionamento: Como tal ferramenta pode ser utilizada para melhorar o processo de diagnóstico médico?

“Os LLMs têm o potencial de transformar a prática médica, tornando o diagnóstico mais preciso e eficiente. No entanto, é fundamental que seu desenvolvimento e aplicação sejam acompanhados de rigorosas avaliações e considerações éticas. A colaboração entre profissionais de saúde, cientistas da computação e especialistas em ética é essencial para garantir que os LLMs sejam utilizados de forma segura e benéfica para os pacientes” (Google Gemini no parágrafo de conclusão a querry: Como os LLMs podem contribuir em diagnósticos médicos atualmente e quais perspectivas futuras?)

O uso de tais ferramentas no contexto de diagnóstico médico logo começou a ser avaliado [3][4] uma vez que podem analisar grande quantidade de dados médicos e integrar a análise de diferentes tipos de dados como Imagens, textos e sons há um espaço promissor para uso na prática clínica, principalmente em situações como apoio a decisão e triagem, mas pode ser usada até mesmo para apoio a pacientes “curiosos”. No entanto ainda há um campo de incerteza nos quesitos de segurança, robustez, privacidade e explicabilidade bem como outros possíveis vieses, o que tem gerado receio no meio acadêmico e profissional em relação a como deverá ser seu uso.[3][4][5][6]

Sendo a explicabilidade uma das grandes ressalvas em relação aos modelos, tem-se desenvolvidos estratégias de elaboração do raciocínio clínico como mostrado em artigo publicado no JAMA em abril/2024 - The Journal of the American Medical Association - o raciocínio clínico foi avaliado usando R-IDEA Scores mostrando resultados promissores. Neste estudo o chatbot teve desempenho semelhante aos médicos assistentes e residentes em precisão diagnóstica, raciocínio clínico correto e diagnósticos que não podem ser perdidos. No entanto o chatbot teve casos mais frequentes de raciocínio clínico incorreto comparado aos residentes, o que não foi observado em relação aos médicos assistentes.[7]

Há atualmente diversas ferramentas (OpenAI GPT-4, Google Gemini e MedLM, Cohere Command e Meta Llama 2 dentre outras) a serem estudadas em casos reais e que estão a mostrar bons resultados tanto em exibir diagnósticos diferencias (inclusive comparado com médicos experientes) e também como a auxiliar o raciocínio clínico. Estudos tem também mostrado que a combinação de algumas delas pode otimizar ainda mais a performance dos LLM.[8][9]

Vejamos um exemplo de funcionamento do OpenAI GPT-4 (“ChatGPT”) baseado em um caso clínico de um paciente com pancreatite aguda (que embora fictício foi baseado em um caso real):


Querry: Sou médico e estou de plantão na emergência. Pode sugerir as principais hipóteses diagnósticas para este caso e o raciocínio adotado:


Paciente com 28 anos, etilista, chega a emergência com quadro de dor abdominal intensa localizada em quadrantes superiores do abdome a qual não consegue caracterizar tipologia, inicio há aproximadamente 24 horas, de caráter persistente com períodos de variação da intensidade, sem fatores claros de piora ou melhora, acompanhada por vômitos espontâneo e pós-prandial precoces. Nega irradiação ou episódios prévios semelhantes.

Paciente encontra-se consciente e orientado, tendo como alterações ao exame físico no momento: fácies de dor e dor a palpação nos quadrantes superiores do abdome.

Resposta: Com base nos dados fornecidos, algumas hipóteses diagnósticas principais incluem:


1. Pancreatite Aguda

  • Raciocínio clínico:
  • Dor abdominal intensa e persistente nos quadrantes superiores, com vômitos associados, é característico.
  • História de etilismo é um fator de risco importante.
  • Exame físico com dor à palpação nos quadrantes superiores reforça a possibilidade.
  • Avaliar se há sinais sistêmicos (como febre, taquicardia ou hipotensão) e sinais de gravidade (como Cullen ou Grey-Turner).
  • Próximos passos:
  • Solicitar amilase e lipase séricas.
  • Imagem abdominal (como ultrassonografia ou tomografia computadorizada).


2. Colecistite Aguda ou Colelitíase

  • Raciocínio clínico:
  • Dor nos quadrantes superiores, possivelmente no quadrante superior direito, pode sugerir patologia biliar.
  • História de vômitos, dor exacerbada por alimentos gordurosos (quando aplicável).
  • Etilismo não é um fator clássico, mas pode coexistir.
  • Próximos passos:
  • Solicitar ultrassonografia abdominal para avaliar vesícula biliar (espessamento da parede, presença de cálculos ou líquido perivesicular).
  • Exames laboratoriais: leucograma, bilirrubinas, fosfatase alcalina e transaminases.


3. Hepatite Aguda ou Doença Hepática Alcoólica

  • Raciocínio clínico:
  • Dor nos quadrantes superiores pode ser devido a distensão da cápsula hepática por inflamação ou congestão.
  • Etilismo aumenta a suspeita de hepatite alcoólica.
  • Podem coexistir icterícia ou alterações laboratoriais (transaminases elevadas, padrão AST/ALT > 2:1 em hepatite alcoólica).
  • Próximos passos:
  • Exames laboratoriais: transaminases, bilirrubinas, GGT, albumina, INR.
  • Ultrassonografia para avaliar alterações no parênquima hepático.


4. Úlcera Péptica Perfurada ou Complicada

  • Raciocínio clínico:
  • Dor intensa nos quadrantes superiores pode indicar úlcera gástrica ou duodenal.
  • O etilismo é um fator predisponente para gastrite/úlcera.
  • Avaliar sinais de peritonite, como defesa abdominal e rigidez.
  • Próximos passos:
  • Radiografia de abdome em pé (para pneumoperitônio).
  • Endoscopia digestiva alta, se possível e estável.


5. Síndrome de Boerhaave ou Esofagite Grave

  • Raciocínio clínico:
  • Vômitos frequentes podem causar lesões esofágicas.
  • Dor torácica ou abdominal superior deve levantar essa hipótese, especialmente se associada a sinais sistêmicos (febre, taquicardia).
  • Próximos passos:
  • Imagem toracoabdominal (raio-X ou TC com contraste).
  • Considerar endoscopia digestiva.


Abordagem Inicial (Conduta Geral):

1. Monitorização e suporte clínico:

  • Acesso venoso, hidratação vigorosa com cristalóides.
  • Controle da dor (analgésicos e, se necessário, opioides).
  • Correção de eletrólitos (considerar desidratação secundária a vômitos).


2. Exames laboratoriais:

  • Hemograma completo, eletrólitos, amilase/lipase, função hepática (TGO/TGP, GGT, bilirrubinas), glicemia.
  • Gasometria arterial (avaliar acidose metabólica ou outros distúrbios).


3. Imagens:

  • Ultrassonografia de abdome.
  • Tomografia computadorizada com contraste se diagnóstico não esclarecido e paciente estável.


4. Avaliação multidisciplinar:

  • Cirurgia geral (se suspeita de abdome agudo perfurativo ou necessidade de intervenção cirúrgica).
  • Gastroenterologia, se necessário.


Podemos ver uma resposta geral ampla, adequada ao contexto (médico na emergência) e coerente emitida pelo modelo. Vale ressaltar que é possível continuar com o aprofundamento de algum dos diagnósticos/condutas ou mesmo solicitar um número maior de diagnósticos diferenciais, incluindo alguns mais raros para o caso.

Apesar de se tratar de um caso simples e levando em conta que há ainda muito o que ser aprimorado e testado para garantirmos a segurança do seu uso rotineiro na prática clínica, vemos uma ferramenta bastante promissora como protótipo.

  1. ↑ Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N.,& Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems https://arxiv.org/abs/1706.03762
  2. ↑ Wenxuan Li - The Advance of Deep Learning Based Named Entity Recognition - https://doi.org/10.54097/hset.v12i.1368
  3. ↑ 3,0 3,1 doi: 10.1016/j.isci.2024.109713 The application of large language models in medicine: A scoping review
  4. ↑ 4,0 4,1 Singhal, K., Azizi, S., Tu, T. et al. Large language models encode clinical knowledge. Nature 620, 172–180 (2023). https://doi.org/10.1038/s41586-023-06291-2
  5. ↑ Savage, T., Nayak, A., Gallo, R. et al. Diagnostic reasoning prompts reveal the potential for large language model interpretability in medicine. npj Digit. Med. 7, 20 (2024). https://doi.org/10.1038/s41746-024-01010-1
  6. ↑ doi:10.1001/jamainternmed.2023.1835. How Chatbots and Large Language Model Artificial Intelligence Systems Will Reshape Modern Medicine: Fountain of Creativity or Pandora’s Box?
  7. ↑ Cabral, S., Restrepo, D., Kanjee, Z., Wilson, P., Crowe, B., Abdulnour, R.-E., Rodman, A. (2024). Clinical Reasoning of a Generative Artificial Intelligence Model Compared With Physicians. JAMA Intern Med., 184(5), 581-583. https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2817046
  8. ↑ https://arxiv.org/abs/2312.00164
  9. ↑ DOI: 10.1056/AIcs2400502
Obtida de "https://aprendis.med.up.pt/index.php?title=LLMs_em_Diagnóstico_Médico&oldid=8365"