Acesso livre
Acesso livre

Grandes Modelos de Linguagem para Relatórios Estruturados em Radiologia: Passado, Presente e Futuro

21 Dez, 2024 | 11:15h

Contexto: Os relatórios estruturados (RS) têm sido discutidos há décadas como uma forma de padronizar e melhorar a qualidade dos laudos radiológicos. Embora existam evidências de que essa abordagem reduz erros e melhora a aderência a diretrizes, sua adoção ampla ainda é limitada. Modelos de linguagem de grande porte (LLMs, do inglês Large Language Models), baseados em transformadores e treinados em grandes quantidades de dados textuais, emergem como uma solução promissora para automatizar e facilitar a elaboração de relatórios estruturados na radiologia. Este artigo de revisão narrativa apresenta um panorama do uso de LLMs para RS, discutindo ainda limitações, desafios regulatórios e aplicações futuras.

Pontos-Chave:

  1. Uso de LLMs em Relatórios Estruturados (RS): Os estudos avaliados concentram-se em modelos como GPT-3.5 e GPT-4, demonstrando resultados promissores na conversão de texto livre em relatórios estruturados, inclusive em múltiplos idiomas.
  2. Principais Benefícios:
    • Padronização e melhoria da consistência dos relatórios.
    • Possibilidade de reduzir erros e aumentar a abrangência das informações.
    • Viabilização do uso de templates e formatações pré-definidas.
  3. Multilinguismo e Tradução: Pesquisas mostram que vários LLMs podem processar relatórios em diferentes idiomas, facilitando o intercâmbio de informações em escala global.
  4. Limitações Técnicas: Hallucination (informações inventadas), inconsistências terminológicas e lacunas na interpretação de dados ainda representam obstáculos para uma adoção integral em larga escala.
  5. Desafios Regulatórios e de Privacidade: A falta de transparência de modelos proprietários e a escassez de processos regulamentados dificultam a incorporação segura e confiável desses sistemas na prática clínica.

Implicações para a Prática:

  • Automação e Eficácia: A adoção de LLMs pode otimizar a elaboração de relatórios, reduzir o tempo de digitação e padronizar descrições, trazendo ganhos de eficiência.
  • Integração de Sistemas: A incorporação de LLMs em sistemas de Radiologia (PACS, RIS) pode auxiliar na documentação e na formatação do texto, facilitando a comunicação entre equipes.
  • Perspectiva Clínica Ampliada: Relatórios mais padronizados podem melhorar a troca de informações e, potencialmente, a segurança do paciente, especialmente em contextos de cuidado multidisciplinar.

Limitações/Considerações:

  • Hallucination: Mesmo modelos avançados podem gerar conteúdo errôneo ou fictício sem base na evidência.
  • Falta de Transparência: Alguns modelos proprietários não divulgam claramente seus dados de treinamento e algoritmos, dificultando a validação externa.
  • Regulamentação em Evolução: A União Europeia e outros países trabalham em leis específicas para IA. Para o uso clínico, será fundamental atender às exigências de segurança, confiabilidade e transparência.
  • Disponibilidade de Modelos Abertos: Modelos de código aberto podem oferecer mais flexibilidade regulatória, mas ainda demandam maior validação e refinamento para uso clínico.

Conclusão: A aplicação de LLMs na radiologia tem potencial de transformar a forma como relatórios estruturados são produzidos, trazendo benefícios como maior eficiência e acurácia. Entretanto, questões regulatórias, a falta de transparência de alguns modelos e as limitações técnicas atuais devem ser superadas para que esses modelos sejam incorporados de forma segura e efetiva à prática clínica. Futuras pesquisas devem avaliar a aceitação clínica desses relatórios, compará-los aos produzidos por radiologistas e explorar mecanismos de integração com sistemas existentes.

Fontes e Links:

 


Mantenha-se atualizado em sua especialidade

 

Escolha quantas especialidades quiser.