{"id":394644,"date":"2025-02-17T00:01:00","date_gmt":"2025-02-16T23:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/?p=394644"},"modified":"2025-02-24T16:40:09","modified_gmt":"2025-02-24T15:40:09","slug":"dr-chatgpt-modelos-linguisticos-de-grande-dimensao-na-pratica-clinica-quotidiana","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/pt-pt\/dr-chatgpt-modelos-linguisticos-de-grande-dimensao-na-pratica-clinica-quotidiana\/","title":{"rendered":"Dr. ChatGPT: Modelos lingu\u00edsticos de grande dimens\u00e3o na pr\u00e1tica cl\u00ednica quotidiana"},"content":{"rendered":"\n

Com a disponibiliza\u00e7\u00e3o p\u00fablica do ChatGPT 3.5 no outono de 2022, o mais tardar, a intelig\u00eancia artificial no sentido de grandes modelos lingu\u00edsticos (LLM <\/em>) est\u00e1 na boca de toda a gente. No entanto, esquece-se muitas vezes que este \u00e9 apenas o ponto final provis\u00f3rio de d\u00e9cadas de desenvolvimento da intelig\u00eancia artificial, que, apesar do seu grande potencial, ainda tem muitas limita\u00e7\u00f5es. Para os m\u00e9dicos em exerc\u00edcio, coloca-se a quest\u00e3o de saber como \u00e9 que esta tecnologia pode ser utilizada de forma sensata na pr\u00e1tica cl\u00ednica quotidiana – e como \u00e9 que \u00e9 melhor n\u00e3o a utilizar. <\/strong><\/p>\n\n\n\n

\n\t
\n\t\t\n\n

Pode fazer o teste CME na nossa plataforma de aprendizagem depois de rever os materiais recomendados.\nClique no bot\u00e3o seguinte: <\/p>\n\n\n\n

\n
Inicie o teste CME<\/a><\/div>\n<\/div>\n\n\t<\/div>\n\t<\/div>\n\n

Com a disponibiliza\u00e7\u00e3o p\u00fablica do ChatGPT 3.5 no outono de 2022, o mais tardar, a intelig\u00eancia artificial no sentido de grandes modelos lingu\u00edsticos (LLM <\/em>) est\u00e1 na boca de toda a gente. No entanto, esquece-se muitas vezes que este \u00e9 apenas o ponto final provis\u00f3rio de d\u00e9cadas de desenvolvimento da intelig\u00eancia artificial, que, apesar do seu grande potencial, ainda tem muitas limita\u00e7\u00f5es. <\/p>\n\n

Para os m\u00e9dicos em exerc\u00edcio, coloca-se a quest\u00e3o de saber como esta tecnologia fascinante pode ser utilizada de forma sensata na pr\u00e1tica cl\u00ednica quotidiana – e como n\u00e3o a utilizar. Com este CME, queremos oferecer-lhe uma ajuda concreta. <\/p>\n\n

Vinheta de caso – Parte 1<\/h5>\n\n

Uma doente de 44 anos apresenta-se no consult\u00f3rio do m\u00e9dico de fam\u00edlia com dores no abd\u00f3men inferior esquerdo. Os sintomas come\u00e7aram h\u00e1 alguns dias e est\u00e3o agora a aumentar de forma constante. A doente encontra-se em bom estado de sa\u00fade geral, com sinais vitais est\u00e1veis. Tem uma sensibilidade no abd\u00f3men inferior esquerdo com uma dor m\u00ednima. N\u00e3o tem febre, os valores da inflama\u00e7\u00e3o est\u00e3o ligeiramente elevados. Suspeita-se de diverticulite. <\/p>\n\n

O jovem colega do m\u00e9dico de cl\u00ednica geral est\u00e1 entusiasmado com as possibilidades dos grandes modelos lingu\u00edsticos e gostaria de os utilizar na sua pr\u00e1tica cl\u00ednica di\u00e1ria.<\/p>\n\n

Fundamentos t\u00e9cnicos [1]<\/h3>\n\n

Os modelos de grande linguagem (LLM) s\u00e3o um ramo da intelig\u00eancia artificial ou da aprendizagem autom\u00e1tica <\/em>que se ocupa do processamento da linguagem natural. <\/em>S\u00e3o constitu\u00eddos por uma rede com dezenas de camadas<\/em> e milhares de milh\u00f5es ou provavelmente trili\u00f5es de liga\u00e7\u00f5es (par\u00e2metros).<\/em> Uma vez que esta estrutura \u00e9 semelhante \u00e0 de um c\u00e9rebro biol\u00f3gico, o termo “rede neural” tornou-se conhecido.<\/p>\n\n

A rede \u00e9 treinada com base num extenso corpus de texto que est\u00e1 normalmente dispon\u00edvel gratuitamente na Internet. Nem todos os fabricantes revelam o \u00e2mbito exato dos dados de treino. A forma\u00e7\u00e3o \u00e9 automatizada (n\u00e3o supervisionada) e conduzida por humanos (parcialmente supervisionada) e consome muito tempo e recursos. A supervis\u00e3o humana \u00e9 necess\u00e1ria para aumentar a qualidade da aprendizagem e para garantir que n\u00e3o predomina uma linguagem negativa ou agressiva. Ao mesmo tempo, esta supervis\u00e3o humana \u00e9 tamb\u00e9m uma \u00e1rea problem\u00e1tica, uma vez que os examinadores s\u00e3o frequentemente mal pagos e, possivelmente, t\u00eam uma forma\u00e7\u00e3o insuficiente. <\/p>\n\n

Durante o treino, os dados de treino s\u00e3o fragmentados (tokenizados <\/em>) em pequenos fragmentos, como palavras ou partes curtas de palavras, e as liga\u00e7\u00f5es entre eles s\u00e3o ponderadas na rede. As liga\u00e7\u00f5es que ocorrem frequentemente s\u00e3o refor\u00e7adas e as raras s\u00e3o enfraquecidas. Como resultado, a rede desenvolve um conhecimento profundo da estrutura da l\u00edngua nos dados de treino. Dependendo das defini\u00e7\u00f5es b\u00e1sicas e dos dados de treino, uma rede pode ser especializada para tarefas espec\u00edficas, por exemplo, a tradu\u00e7\u00e3o de l\u00ednguas. Os LLM atualmente em estudo s\u00e3o, na sua maioria, “generalistas”, sem uma especializa\u00e7\u00e3o clara. <\/p>\n\n

<\/p>\n\n

Sociedade Su\u00ed\u00e7a de Inform\u00e1tica M\u00e9dica (SGMI)<\/strong><\/td><\/tr>
A Sociedade Su\u00ed\u00e7a de Inform\u00e1tica M\u00e9dica (SGMI) promove o estudo, o desenvolvimento e a utiliza\u00e7\u00e3o de ferramentas inform\u00e1ticas no sector da sa\u00fade. Enquanto organiza\u00e7\u00e3o neutra, o aspeto cient\u00edfico (efic\u00e1cia, prova de benef\u00edcio, conveni\u00eancia) \u00e9 importante para n\u00f3s na divulga\u00e7\u00e3o de ferramentas inform\u00e1ticas na pr\u00e1tica cl\u00ednica quotidiana (inform\u00e1tica m\u00e9dica baseada em provas). Por conseguinte, o SGMI tamb\u00e9m se considera um parceiro prudente e fi\u00e1vel no dom\u00ednio da integra\u00e7\u00e3o de sistemas, da conce\u00e7\u00e3o de processos, da transfer\u00eancia de dados e da utiliza\u00e7\u00e3o num ecossistema sociot\u00e9cnico de cuidados de sa\u00fade o mais normalizado poss\u00edvel. <\/td><\/tr>
No \u00e2mbito das suas actividades, o SGMI organiza anualmente, no outono, o Swiss ehealthsummit. Al\u00e9m disso, publica regularmente diretrizes sobre temas importantes da inform\u00e1tica m\u00e9dica (MENTOR). Em setembro de 2023, publicou uma MENTOR sobre o tema “LLMs na pr\u00e1tica cl\u00ednica di\u00e1ria”, que serviu de base para este artigo [1]. <\/td><\/tr>
> www.sgmi-ssim.ch<\/a><\/strong><\/td><\/tr><\/tbody><\/table><\/figure>\n\n

Uma vez conclu\u00eddo o treino, a rede e as liga\u00e7\u00f5es ponderadas permanecem inalteradas. Neste estado, j\u00e1 n\u00e3o \u00e9 poss\u00edvel efetuar altera\u00e7\u00f5es fundamentais \u00e0 rede, mas o comportamento da resposta ainda pode ser definido. Por exemplo, pode definir a dura\u00e7\u00e3o da resposta, o estilo de linguagem, as repeti\u00e7\u00f5es de palavras e a aleatoriedade. <\/p>\n\n

Pode agora interagir com esta rede totalmente treinada. Isto \u00e9 frequentemente feito atrav\u00e9s de um chat num s\u00edtio Web ou de uma aplica\u00e7\u00e3o para smartphone, mas tamb\u00e9m s\u00e3o poss\u00edveis liga\u00e7\u00f5es t\u00e9cnicas diretas atrav\u00e9s de interfaces Web (ver exemplos na Tabela 1). <\/strong>O pedido de informa\u00e7\u00e3o (prompt)<\/em> \u00e9 preparado e introduzido no LLM. O LLM gera ent\u00e3o, iterativamente, uma resposta palavra a palavra (mais precisamente: token a token). A palavra seguinte \u00e9 selecionada a partir de uma lista das palavras seguintes mais prov\u00e1veis. Esta sele\u00e7\u00e3o \u00e9 aleat\u00f3ria at\u00e9 um certo ponto, para que a gera\u00e7\u00e3o de texto pare\u00e7a mais criativa (“humana”). O grau de aleatoriedade pode ser definido pelos fornecedores do LLM ou influenciado atrav\u00e9s de uma solicita\u00e7\u00e3o espec\u00edfica, mas em qualquer caso exclui a reprodutibilidade completa da resposta (tamb\u00e9m porque nem todos os pedidos s\u00e3o respondidos com a mesma inst\u00e2ncia dos LLMs dispon\u00edveis). <\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>\n

Para obter os melhores resultados poss\u00edveis, \u00e9 importante seguir certas regras ao efetuar uma consulta e fornecer um contexto t\u00e3o preciso quanto poss\u00edvel. Este processo – gerar as melhores consultas poss\u00edveis – \u00e9 conhecido como engenharia de pedidos<\/em> (Tabela 2).<\/strong> Dependendo do tipo de pedido, os grandes fornecedores podem tamb\u00e9m utilizar diferentes LLM “especializados” em segundo plano. A Figura 1<\/strong> d\u00e1-lhe uma vis\u00e3o simplificada do funcionamento de um LLM. <\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>
\n
\"\"<\/a><\/figure>\n<\/div>\n

<\/p>\n\n

Vantagens e desvantagens<\/h3>\n\n

Os LLM modernos s\u00e3o surpreendentemente bons a imitar o discurso humano. Esta capacidade \u00e9 basicamente independente da l\u00edngua de entrada utilizada, desde que esta l\u00edngua esteja dispon\u00edvel em quantidade suficiente nos dados de treino. <\/p>\n\n

Nos LLM mais recentes, uma grande parte do conhecimento livre da Internet est\u00e1 tecnicamente dispon\u00edvel. No entanto, devido ao seu modo de funcionamento, n\u00e3o \u00e9 poss\u00edvel a um LLM desenvolver os seus pr\u00f3prios conceitos e pensamentos (criatividade genu\u00edna), mas apenas recombinar e reproduzir o conhecimento dispon\u00edvel a partir do corpus de texto. <\/p>\n\n

\n

Lembre-se: os LLM geram linguagem, n\u00e3o conhecimento!<\/p>\n<\/blockquote>\n\n

No entanto, o modo de funcionamento descrito tem tamb\u00e9m algumas desvantagens que os utilizadores devem ter sempre em conta. Por exemplo, os LLMs tendem a inventar respostas (alucinar) <\/em>em vez de admitir a sua ignor\u00e2ncia. Isto tem a ver com o facto de, nestes casos, as palavras menos prov\u00e1veis serem simplesmente adicionadas \u00e0 resposta e acontece especialmente quando uma resposta \u00e9 baseada em dados de treino limitados, por exemplo, no caso de uma doen\u00e7a rara. Embora este risco possa ser reduzido atrav\u00e9s de uma boa configura\u00e7\u00e3o dos modelos, as alucina\u00e7\u00f5es n\u00e3o reconhecidas continuam a ser um risco importante quando se utilizam os LLM. Al\u00e9m disso, os LLMs tamb\u00e9m podem ser influenciados negativamente por est\u00edmulos direcionados [2]. <\/p>\n\n

Devido \u00e0 falta de uma compreens\u00e3o global e \u00e0 sele\u00e7\u00e3o aleat\u00f3ria da pr\u00f3xima ficha, os LLM revelam problemas ao lidar com a l\u00f3gica e a matem\u00e1tica. Isto torna mais dif\u00edcil a reprodutibilidade de uma resposta e, por conseguinte, a sua utiliza\u00e7\u00e3o na investiga\u00e7\u00e3o e num contexto m\u00e9dico-legal. <\/p>\n\n

Outro problema das LLM cl\u00e1ssicas \u00e9 a atualidade dos dados, uma vez que o conhecimento da LLM deixa de ser alargado ap\u00f3s a conclus\u00e3o da forma\u00e7\u00e3o. As LLM modernas oferecem a op\u00e7\u00e3o de fornecer contexto adicional e atualizado, por exemplo, a partir de uma pesquisa bibliogr\u00e1fica (retrieval augmented generation, <\/em>RAG), o que atenua o problema e melhora a fiabilidade da resposta. Neste contexto, o LLM pode mesmo fornecer informa\u00e7\u00f5es fi\u00e1veis sobre a fonte, o que de outra forma n\u00e3o seria poss\u00edvel. O utilizador deve, portanto, estar ciente da variante de LLM com que est\u00e1 a comunicar. <\/p>\n\n

Por fim, h\u00e1 toda uma s\u00e9rie de aspectos jur\u00eddicos, regulamentares e \u00e9ticos, como a prote\u00e7\u00e3o de dados, a responsabilidade e os direitos de autor, que ainda n\u00e3o foram suficientemente esclarecidos pela sociedade em geral e que s\u00e3o fonte de grande incerteza para a utiliza\u00e7\u00e3o correta dos LLM, nomeadamente na pr\u00e1tica m\u00e9dica quotidiana. Os sistemas com autonomia nacional (nomeadamente no dom\u00ednio da prote\u00e7\u00e3o de dados e da legisla\u00e7\u00e3o su\u00ed\u00e7a) podem oferecer uma solu\u00e7\u00e3o parcial neste dom\u00ednio. A Health Info Net AG (HIN) – tradicionalmente associada \u00e0 seguran\u00e7a do interc\u00e2mbio de dados no sistema de sa\u00fade su\u00ed\u00e7o – parece estar a estabelecer uma parceria com o SwissGPT neste dom\u00ednio. No entanto, ainda n\u00e3o \u00e9 poss\u00edvel avaliar a penetra\u00e7\u00e3o e a aceita\u00e7\u00e3o no mercado. <\/p>\n\n

\n

Lembre-se: nem tudo o que funciona \u00e9 permitido!<\/p>\n<\/blockquote>\n\n

Dom\u00ednios de aplica\u00e7\u00e3o<\/h3>\n\n

Vinheta de caso – Parte 2<\/h5>\n\n

Para se precaver, o jovem colega, ainda um pouco inexperiente, consulta um m\u00e9dico de medicina legal, que tamb\u00e9m refere a diverticulite como o diagn\u00f3stico diferencial mais prov\u00e1vel. O m\u00e9dico de fam\u00edlia tamb\u00e9m mencionou a tor\u00e7\u00e3o ou quisto do ov\u00e1rio e c\u00e1lculos renais como poss\u00edveis diagn\u00f3sticos diferenciais. O exame de ultrassom focalizado revela achados consistentes com diverticulite. N\u00e3o h\u00e1 indica\u00e7\u00f5es de uma evolu\u00e7\u00e3o localmente complicada. <\/p>\n\n

O m\u00e9dico sugere-lhe uma terap\u00eautica antibi\u00f3tica em ambulat\u00f3rio e uma colonoscopia de seguimento ap\u00f3s algumas semanas. O colega e o doente concordam com esta proposta de tratamento. O doente recupera como planeado em poucos dias. <\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>\n

Fazer diagn\u00f3sticos e racioc\u00ednio diagn\u00f3stico<\/em><\/h3>\n\n

O facto de o vasto conhecimento do Dr. ChatGPT apoiar os m\u00e9dicos no processo de diagn\u00f3stico e nas decis\u00f5es de tratamento parece ser uma aplica\u00e7\u00e3o \u00f3bvia.<\/p>\n\n

Afinal de contas, os LLMs modernos passam no exame de estado de medicina dos EUA (USMLE) com pontua\u00e7\u00f5es elevadas de mais de 90% com os LLMs mais recentes [3]. N\u00e3o \u00e9 de surpreender que, numa inspe\u00e7\u00e3o mais atenta, estas vinhetas de casos sejam muito estruturadas e resumam toda a informa\u00e7\u00e3o necess\u00e1ria para fazer um diagn\u00f3stico ou responder \u00e0 pergunta. Al\u00e9m disso, muitas das perguntas j\u00e1 estavam provavelmente presentes no conjunto de dados de treino dos LLM. <\/p>\n\n

Torna-se mais interessante quando os LLMs t\u00eam de adquirir informa\u00e7\u00f5es sobre os pr\u00f3prios pacientes num processo de diagn\u00f3stico. Neste caso, os resultados s\u00e3o muito menos impressionantes [4]. Isto tamb\u00e9m n\u00e3o \u00e9 realmente surpreendente, pois muitas informa\u00e7\u00f5es ainda n\u00e3o est\u00e3o dispon\u00edveis ou n\u00e3o est\u00e3o dispon\u00edveis em formato digital, especialmente na fase inicial de um diagn\u00f3stico, mas um MLT precisa das informa\u00e7\u00f5es mais detalhadas poss\u00edveis para alcan\u00e7ar os melhores resultados. Al\u00e9m disso, a sua fraqueza fundamental em lidar com n\u00fameros dificulta-lhe a interpreta\u00e7\u00e3o dos sinais vitais e dos valores laboratoriais. <\/p>\n\n

Devido ao seu modo de funcionamento, um LLM \u00e9 atualmente adequado sobretudo como meio de reconhecimento de poss\u00edveis padr\u00f5es a partir de um conjunto de informa\u00e7\u00f5es fornecidas que podem ainda permanecer ocultas para o m\u00e9dico, ou seja, principalmente para o diagn\u00f3stico diferencial. <\/p>\n\n

A utiliza\u00e7\u00e3o generalizada na pr\u00e1tica cl\u00ednica di\u00e1ria para apoio \u00e0 decis\u00e3o \u00e9 tamb\u00e9m limitada pelos requisitos aplic\u00e1veis em mat\u00e9ria de responsabilidade, prote\u00e7\u00e3o de dados e certifica\u00e7\u00e3o como produto m\u00e9dico.<\/p>\n\n

Recomenda\u00e7\u00f5es de tratamento e pesquisa bibliogr\u00e1fica<\/h3>\n\n

Uma vez que a maior parte das diretrizes de tratamento est\u00e3o dispon\u00edveis gratuitamente em linha, n\u00e3o \u00e9 surpreendente que os MLT tamb\u00e9m possam fazer recomenda\u00e7\u00f5es de tratamento em conformidade com as diretrizes. O principal problema aqui \u00e9 a limita\u00e7\u00e3o temporal dos dados de treinamento. Muitas vezes, as diretrizes e os resultados de estudos mais recentes n\u00e3o s\u00e3o treinados no LLM. No caso do exemplo espec\u00edfico, a op\u00e7\u00e3o de tratamento mais recente “watch & wait” para diverticulite n\u00e3o complicada e sem factores de risco est\u00e1 obviamente ausente [5]. As obras de refer\u00eancia e as bases de dados bibliogr\u00e1ficas de elevada qualidade e mantidas editorialmente t\u00eam ainda a vantagem de estarem actualizadas. <\/p>\n\n

Outro fator de complica\u00e7\u00e3o \u00e9 a incapacidade dos LLM cl\u00e1ssicos de citarem a fonte exacta. N\u00e3o ser\u00e1 sempre claro quais as vers\u00f5es das diretrizes a que o LLM se refere e se misturou diferentes diretrizes. Os RAGs mencionados acima podem fornecer resultados muito mais fi\u00e1veis neste caso. Se forem utilizadas para pesquisar na Pubmed, por exemplo, a relev\u00e2ncia dos resultados da pesquisa pode ser significativamente melhorada [6]. Outra vantagem deste m\u00e9todo \u00e9 que os estudos encontrados podem tamb\u00e9m ser adicionados ao LLM como contexto e todas as suas funcionalidades, tais como resumir, traduzir e analisar, podem depois ser utilizadas no trabalho original. <\/p>\n\n

Os LLM modernos oferecem tamb\u00e9m a possibilidade de fornecer manualmente um contexto adicional durante a pesquisa. Por exemplo, pode anexar um estudo encontrado e, assim, resumi-lo e analis\u00e1-lo rapidamente. No entanto, deve ter em conta que existe um limite para o “tamanho” de uma consulta, especialmente nas vers\u00f5es gratuitas dos LLM. O tamanho real poss\u00edvel da entrada ou do contexto (limite de contexto)<\/em> deve, portanto, ser verificado em cada caso. Al\u00e9m disso, estes resumos n\u00e3o est\u00e3o isentos de alucina\u00e7\u00f5es. <\/p>\n\n

Vinheta de caso – Parte 3<\/h5>\n\n

Infelizmente, a colonoscopia de seguimento realizada algumas semanas mais tarde revelou um diagn\u00f3stico de adenocarcinoma do c\u00f3lon sigmoide sem evid\u00eancia imagiol\u00f3gica de met\u00e1stases locais ou \u00e0 dist\u00e2ncia (est\u00e1dio I da UICC). <\/p>\n\n

O seu colega de consult\u00f3rio n\u00e3o tem a certeza da melhor forma de comunicar os resultados desfavor\u00e1veis \u00e0 jovem m\u00e3e. Recorre a um LLM para se preparar para a dif\u00edcil conversa. <\/p>\n\n

Durante a consulta, recorre a um LLM para explicar os factos m\u00e9dicos \u00e0 paciente de forma simples e no seu portugu\u00eas nativo. A pedido da paciente, o seu breve relat\u00f3rio m\u00e9dico \u00e9 tamb\u00e9m traduzido para portugu\u00eas por um LLM. <\/p>\n\n

Gest\u00e3o da conversa\u00e7\u00e3o<\/h3>\n\n

\u00c0 primeira vista, parece contra-intuitivo pedir conselhos a uma m\u00e1quina no que \u00e9 suposto ser a “disciplina paradigm\u00e1tica” humana da comunica\u00e7\u00e3o. No entanto, uma vez que a principal fun\u00e7\u00e3o dos LLM \u00e9 imitar o mais poss\u00edvel o discurso humano, esta abordagem j\u00e1 n\u00e3o parece t\u00e3o rebuscada \u00e0 segunda vista. Assim, alguns estudos j\u00e1 demonstraram que os MLT modernos s\u00e3o capazes de dar respostas que cont\u00eam elementos de “empatia”, que s\u00e3o depois interpretadas como “emp\u00e1ticas” pelo interlocutor humano [7]. Com os est\u00edmulos adequados, podem ser reproduzidas v\u00e1rias t\u00e9cnicas de condu\u00e7\u00e3o da conversa e variantes de conversa, o que pode dar mais confian\u00e7a aos m\u00e9dicos inexperientes. Naturalmente, isto n\u00e3o dispensa o m\u00e9dico da comunica\u00e7\u00e3o emp\u00e1tica e direta com o doente. <\/p>\n\n

Educa\u00e7\u00e3o dos doentes <\/h3>\n\n

Quando instru\u00eddos de forma adequada, os LLMs s\u00e3o muito bons a apresentar conte\u00fados m\u00e9dicos especializados numa linguagem f\u00e1cil de compreender. Portanto, vale a pena tentar usar ferramentas baseadas em MLMs na educa\u00e7\u00e3o de pacientes. No entanto, \u00e9 importante que o doente continue a ser acompanhado de perto por um m\u00e9dico. O dever do m\u00e9dico de fornecer informa\u00e7\u00f5es n\u00e3o pode ser delegado a um MLM. <\/p>\n\n

Tradu\u00e7\u00e3o de<\/h3>\n\n

Os LLMs podem traduzir muito bem entre diferentes l\u00ednguas. Isto funciona n\u00e3o s\u00f3 com l\u00ednguas naturais, mas tamb\u00e9m com constru\u00e7\u00f5es lingu\u00edsticas artificiais, como as linguagens de programa\u00e7\u00e3o. As LLMs que foram especificamente treinadas para tradu\u00e7\u00f5es (por exemplo, deepl.com<\/a>) s\u00e3o provavelmente ainda superiores \u00e0s generalistas (por exemplo, ChatGPT) em termos de precis\u00e3o, embora estas \u00faltimas tamb\u00e9m apresentem resultados impressionantes, especialmente nas vers\u00f5es mais recentes. Em termos de adequa\u00e7\u00e3o especificamente para tradu\u00e7\u00f5es m\u00e9dicas, \u00e9 evidente que os pequenos LLMs que foram especificamente treinados para esta tarefa continuam atualmente a ser superiores aos grandes modelos [8]. A tradu\u00e7\u00e3o funciona significativamente pior se a l\u00edngua desejada raramente estiver presente nos dados de treino. <\/p>\n\n

De um modo geral, a aplica\u00e7\u00e3o \u00e9 atualmente limitada no dom\u00ednio m\u00e9dico por duas raz\u00f5es: Por um lado, os documentos originais completos n\u00e3o podem ser carregados e traduzidos devido a preocupa\u00e7\u00f5es com a prote\u00e7\u00e3o de dados; por outro lado, o m\u00e9dico tradutor continua a ser o principal respons\u00e1vel pela exatid\u00e3o do conte\u00fado, o que significa que continua a ser necess\u00e1ria uma tradu\u00e7\u00e3o profissional para relat\u00f3rios cr\u00edticos. Se recorrer a LLM, \u00e9 aconselh\u00e1vel que traduza apenas para l\u00ednguas em que a plausibilidade das tradu\u00e7\u00f5es possa ser, pelo menos, verificada. <\/p>\n\n

Vinheta de caso – Parte 4<\/h5>\n\n

A hemicolectomia esquerda planeada \u00e9 realizada sem complica\u00e7\u00f5es. O tumor prim\u00e1rio pode ser completamente removido e os g\u00e2nglios linf\u00e1ticos mesent\u00e9ricos removidos est\u00e3o livres de tumores. No p\u00f3s-operat\u00f3rio, a doente recupera da opera\u00e7\u00e3o sem problemas e pode regressar a casa passado pouco tempo. No p\u00f3s-operat\u00f3rio oncol\u00f3gico, mant\u00e9m-se livre de tumores. <\/p>\n\n

O cirurgi\u00e3o visceral que efectua a opera\u00e7\u00e3o utiliza um LLM para criar as notas da consulta de admiss\u00e3o e os relat\u00f3rios de opera\u00e7\u00e3o e de alta. Por fim, a administra\u00e7\u00e3o do hospital que efectua a opera\u00e7\u00e3o utiliza um LLM para pr\u00e9-codificar o caso de acordo com o Swiss-DRG a partir da documenta\u00e7\u00e3o dispon\u00edvel no sistema de informa\u00e7\u00e3o hospitalar (HIS). <\/p>\n\n

Relat\u00f3rios<\/h3>\n\n

A produ\u00e7\u00e3o de novos textos \u00e9 uma disciplina essencial dos modernos LLM. A qualidade sem\u00e2ntica \u00e9 geralmente muito boa. A qualidade do conte\u00fado, por outro lado, depende muito do contexto dispon\u00edvel. Quanto mais detalhes estiverem dispon\u00edveis para a MLT, mais preciso ser\u00e1 o texto gerado. Na pr\u00e1tica cl\u00ednica quotidiana, os relat\u00f3rios normalizados s\u00e3o, portanto, principalmente adequados para a gera\u00e7\u00e3o autom\u00e1tica, por exemplo, opera\u00e7\u00f5es normalizadas, interven\u00e7\u00f5es ou pedidos de reembolso. Relat\u00f3rios mais complexos, com muito contexto cl\u00ednico, s\u00e3o muito menos bem sucedidos, uma vez que teriam de ser gerados diretamente a partir do sistema de informa\u00e7\u00e3o do hospital ou da cl\u00ednica e ter acesso a todo o contexto do tratamento, o que – na situa\u00e7\u00e3o atual – ainda n\u00e3o \u00e9 suficientemente bem sucedido. <\/p>\n\n

Se os relat\u00f3rios forem gerados com LLM, \u00e9 da responsabilidade do m\u00e9dico respons\u00e1vel pelo registo verificar a plausibilidade do conte\u00fado gerado e aprov\u00e1-lo. Isto n\u00e3o deve ser subestimado, uma vez que os erros no conte\u00fado s\u00e3o frequentemente mais dif\u00edceis de detetar devido \u00e0 boa qualidade sem\u00e2ntica. Este aspeto n\u00e3o deve ser subestimado, uma vez que os erros de conte\u00fado s\u00e3o frequentemente mais dif\u00edceis de detetar devido \u00e0 boa qualidade sem\u00e2ntica. A prote\u00e7\u00e3o dos dados tamb\u00e9m deve ser garantida em todos os momentos, especialmente se hist\u00f3rias m\u00e9dicas completas forem fornecidas ao LLM como contexto. <\/p>\n\n

Notas de conversa<\/h3>\n\n

Cada vez mais, est\u00e3o a ser lan\u00e7ados no mercado produtos que utilizam microfones (por exemplo, em smartphones) para gravar conversas com os pacientes – mesmo em dialeto (!) – e transcrev\u00ea-las para a linguagem escrita atrav\u00e9s de um LLM e, se necess\u00e1rio, estrutur\u00e1-las e resumi-las para a hist\u00f3ria cl\u00ednica. Tamb\u00e9m aqui se aplicam as mesmas medidas de precau\u00e7\u00e3o e normas em mat\u00e9ria de alucina\u00e7\u00f5es e condi\u00e7\u00f5es de enquadramento m\u00e9dico-legal, que devem ser exigidas em conformidade pelos fabricantes de software. Al\u00e9m disso, muitas quest\u00f5es relacionadas com os aspectos jur\u00eddicos do pedido destes ficheiros \u00e1udio ainda n\u00e3o foram esclarecidas. Em todo o caso, todas as partes envolvidas devem estar de acordo com as grava\u00e7\u00f5es. <\/p>\n\n

Codifica\u00e7\u00e3o\/classifica\u00e7\u00e3o<\/h3>\n\n

O reconhecimento de padr\u00f5es, mesmo em dados n\u00e3o estruturados, \u00e9 uma capacidade importante dos LLMs. A ideia de que os LLMs poderiam derivar informa\u00e7\u00f5es estruturadas da grande quantidade de dados n\u00e3o estruturados de texto livre que s\u00e3o gerados diariamente na documenta\u00e7\u00e3o cl\u00ednica e, assim, tornar o processamento desses dados acess\u00edvel para fatura\u00e7\u00e3o ou estat\u00edsticas, por exemplo, \u00e9 correspondentemente promissora. Isto \u00e9 poss\u00edvel, mas o LLM deve ter uma forma\u00e7\u00e3o espec\u00edfica para o efeito. Os habituais “LLM generalistas” s\u00e3o muito menos fi\u00e1veis quando se trata de codifica\u00e7\u00e3o\/classifica\u00e7\u00e3o. Os diferentes cat\u00e1logos e c\u00f3digos s\u00e3o frequentemente misturados ou os c\u00f3digos s\u00e3o simplesmente inventados (alucinados).<\/em> <\/p>\n\n

No entanto, \u00e9 provavelmente apenas uma quest\u00e3o de tempo at\u00e9 que os LLMs devidamente especializados encontrem o seu lugar no software de codifica\u00e7\u00e3o. Mas tamb\u00e9m neste caso, os resultados ter\u00e3o ainda de ser verificados quanto \u00e0 sua plausibilidade e aprovados por codificadores humanos, especialmente porque o conjunto puro de regras (por exemplo, SwissDRG) n\u00e3o est\u00e1 dispon\u00edvel numa forma estruturada, o que seria geralmente muito desej\u00e1vel. <\/p>\n\n

Resumo<\/h3>\n\n

Como qualquer inova\u00e7\u00e3o tecnol\u00f3gica, a utiliza\u00e7\u00e3o dos LLM na pr\u00e1tica cl\u00ednica quotidiana oferece oportunidades e riscos. Nem a confian\u00e7a cega nem a rejei\u00e7\u00e3o estrita s\u00e3o convenientes. Recomendamos que se familiarize com a nova tecnologia e que, inicialmente, limite a sua utiliza\u00e7\u00e3o a uma tarefa simples numa \u00e1rea em que tenha um elevado n\u00edvel de especializa\u00e7\u00e3o. Desta forma, pode rapidamente ter uma boa no\u00e7\u00e3o das possibilidades e limita\u00e7\u00f5es dos LLMs e, a partir da\u00ed, expandir lentamente a sua utiliza\u00e7\u00e3o. No entanto, antes de qualquer utiliza\u00e7\u00e3o num contexto m\u00e9dico, deve ter sempre em conta os regulamentos administrativos, legais e \u00e9ticos aplic\u00e1veis. <\/p>\n\n

De um modo geral, as novas tecnologias e terapias fazem parte da vida quotidiana dos m\u00e9dicos. Aprendemos a abord\u00e1-las com uma dose saud\u00e1vel de ceticismo e a n\u00e3o as utilizar simplesmente de forma acr\u00edtica nos nossos doentes. Temos tamb\u00e9m de aplicar estes princ\u00edpios cient\u00edficos de efic\u00e1cia e de adequa\u00e7\u00e3o quando utilizamos os MLT na pr\u00e1tica cl\u00ednica quotidiana e de os exigir aos fornecedores destes instrumentos, tanto mais que os problemas mais fundamentais dos MLT – alucina\u00e7\u00f5es e reprodutibilidade – ainda n\u00e3o est\u00e3o resolvidos e talvez assim continuem. Neste contexto, ter\u00e1 tamb\u00e9m de se discutir se – tal como j\u00e1 acontece<\/em> com os sistemas puros de reconhecimento da fala – os compromissos qualitativos devem ser aceites como inevit\u00e1veis. <\/p>\n\n

Nestas condi\u00e7\u00f5es, podemos conseguir, nos pr\u00f3ximos meses e anos, utilizar esta nova tecnologia na pr\u00e1tica cl\u00ednica quotidiana, para nosso benef\u00edcio e dos nossos doentes.<\/p>\n\n

Mensagens para levar para casa<\/strong><\/p>\n\n