Integrando Técnicas de Geração Aumentada por Recuperação e Grandes Modelos de Linguagem para Auxílio ao Diagnóstico Médico

Abstract

Este trabalho investiga a aplicação de técnicas de Geração Aumentada por Recuperação (RAG) para otimizar o suporte ao diagnóstico e à triagem médica, com foco na utilização eficiente de informações textuais provenientes de interações em telemedicina. O objetivo central é desenvolver e avaliar uma abordagem que explore o vasto repositório de conhecimento clínico e contextual existente nas interações médico-paciente disponibilizadas pelo Sistema Integrado Catarinense de Telemedicina e Telessaúde (STT), transformando-as em um recurso ativo para a prática clínica diária. A metodologia abrange uma revisão da literatura, o estudo de técnicas de RAG e Grandes Modelos de Linguagem (LLMs), e o desenvolvimento e avaliação de uma aplicação prática. Esta última etapa de desenvolvimento e avaliação inclui a exploração e análise comparativa de diferentes componentes e configurações da arquitetura RAG – como modelos de representação vetorial, estratégias de recuperação, e os próprios LLMs para geração – visando otimizar a capacidade do sistema em recuperar e sintetizar informações relevantes a partir de um corpus de históricos de teleatendimentos. Espera-se que esta pesquisa contribua para a prática médica ao demonstrar como o aproveitamento sistemático desses dados internos, aliado à otimização da arquitetura RAG, pode aprimorar o processo de triagem e diagnóstico, reduzindo o tempo de análise e oferecendo suporte mais preciso e contextualizado para a tomada de decisões clínicas.