From Statistical Fidelity to Clinical Consistency: Scalable Generation and Auditing of Synthetic Patient Trajectories

Este artigo apresenta um pipeline integrado que combina geração de alta fidelidade e auditoria automatizada com modelos de linguagem para produzir trajetórias de pacientes sintéticos clinicamente consistentes e seguros, superando as limitações de métodos anteriores e permitindo o treinamento eficaz de modelos downstream sem riscos de privacidade.

O essencial

Imagine que você precisa treinar um médico robô para salvar vidas, mas não pode usar os prontuários reais dos pacientes porque isso violaria a privacidade deles. A solução seria criar "pacientes de mentira" (dados sintéticos) que pareçam reais o suficiente para ensinar a máquina, mas que não sejam ninguém de verdade.

O problema é que, até agora, a maioria desses "pacientes de mentira" era como um ator de cinema que decorou o roteiro, mas esqueceu a lógica da cena: ele podia ter um diagnóstico de gravidez e ser do sexo masculino, ou tomar remédios para uma doença que ele não tem. Isso é estatisticamente possível (os números batem), mas clinicamente absurdo.

Este artigo apresenta o Coogee, uma nova ferramenta que resolve esse problema. Pense no Coogee como uma fábrica de pacientes virtuais com dois funcionários essenciais:

1. O "Escultor" (Geração de Alta Fidelidade)

O primeiro funcionário é um escultor muito talentoso. Ele pega os dados reais de quase 180.000 pacientes e tenta esculpir 18.000 novos pacientes.

• O que ele faz: Ele é muito bom em copiar a "estátua" geral. Se 30% dos pacientes reais têm diabetes, ele garante que 30% dos pacientes de mentira também tenham. Ele copia a frequência dos remédios, dos exames e das idades.
• O problema dele: Ele é um pouco "alheio" à lógica médica. Ele pode colocar um remédio para pressão alta em alguém que não tem pressão alta, só porque o remédio é popular. Ele segue a estatística, mas não entende a medicina.

2. O "Chefe de Enfermagem" (Auditoria Automatizada)

Aqui entra a inovação do Coogee. Eles contrataram um "Chefe de Enfermagem" superinteligente, que é na verdade uma Inteligência Artificial (um Grande Modelo de Linguagem) treinada para pensar como um médico.

• O que ele faz: Ele pega cada paciente esculpido pelo primeiro funcionário e lê o prontuário como um médico real faria. Ele pergunta: "Espera aí, esse paciente é do sexo masculino e tem um procedimento de gravidez? Isso não faz sentido! Descartar." Ou: "Ele tomou esse remédio sem ter feito o exame necessário antes? Isso é perigoso! Descartar."
• A mágica: Esse "Chefe" filtra tudo o que é estatisticamente possível, mas clinicamente impossível. Ele garante que a lógica médica seja respeitada.

O Resultado: Pacientes que "Pensam" como Humanos

O estudo mostrou que, sem esse "Chefe de Enfermagem", cerca de metade dos pacientes de mentira tinham erros graves de lógica (como um homem grávido). Depois que o Coogee aplicou essa auditoria automática:

• A qualidade subiu: Os pacientes sintéticos ficaram tão parecidos com os reais que nem médicos experientes conseguiam mais distinguir qual era real e qual era falso.
• Funciona na prática: Quando usaram esses pacientes "limpos" para treinar outros sistemas de IA, eles funcionaram tão bem quanto se tivessem sido treinados com dados reais.
• Segurança: Não houve risco de vazamento de dados. É impossível descobrir se um paciente real específico estava na lista de treinamento.

A Analogia Final

Pense na criação de dados de saúde como cozinhar um bolo para um concurso:

• O método antigo: Você misturou farinha, açúcar e ovos na proporção exata (fidelidade estatística). O bolo tem o tamanho certo e o peso certo. Mas, se você colocar sal no lugar do açúcar, o bolo tem o peso certo, mas o sabor está estranho e não serve para comer (inconsistência clínica).
• O método Coogee: Você tem o chef que mistura os ingredientes na medida certa E um degustador profissional que prova cada fatia antes de servir. Se o degustador sentir o sal, ele joga o bolo fora e pede para fazer outro. O resultado final é um bolo que não só tem o tamanho certo, mas também o sabor perfeito e seguro para todos.

Em resumo: O Coogee nos ensina que, para criar dados médicos falsos que sejam úteis, não basta apenas copiar os números. É preciso garantir que a história do paciente faça sentido médico. E para fazer isso em grande escala, precisamos usar uma IA para auditar a lógica, já que humanos não teriam tempo de ler milhões de prontuários.

Resumo técnico

Título: Da Fidelidade Estatística à Consistência Clínica: Geração e Auditoria Escalável de Trajetórias de Pacientes Sintéticas

1. O Problema

O acesso a Registros Eletrônicos de Saúde (EHRs) reais para pesquisa em saúde digital é severamente limitado por regulamentações de privacidade e barreiras institucionais. A geração de dados sintéticos de EHRs foi proposta como uma solução para permitir o compartilhamento de dados seguro e soberano. No entanto, os métodos existentes apresentam uma lacuna crítica:

• Fidelidade Estatística vs. Consistência Clínica: Modelos anteriores (como GANs e VAEs) conseguem replicar bem as propriedades estatísticas gerais dos dados reais, mas frequentemente falham em capturar a complexidade dos processos clínicos longitudinais.
• Inconsistências Semânticas: Modelos baseados em Transformers modernos, embora melhorem as dependências de longo alcance, tendem a usar estratégias de tokenização que fragmentam códigos médicos, levando à geração de conceitos médicos inexistentes ("alucinações") ou sequências clinicamente impossíveis (ex: prescrição de medicamentos contraindicados, procedimentos de gravidez em pacientes do sexo masculino).
• Limitação de Validação: A validação atual depende principalmente de métricas estatísticas agregadas ou de revisão manual por clínicos, que é subjetiva, cara e não escala para grandes conjuntos de dados sintéticos.

2. Metodologia: O Framework Coogee

Os autores introduzem o Coogee, um pipeline integrado de duas etapas projetado para gerar trajetórias de pacientes sintéticas que sejam estatisticamente fiéis e clinicamente consistentes.

A. Geração de Alta Fidelidade (Passo 1)

• Base de Dados: Utilização do banco de dados MIMIC-IV (v2.2), contendo 180.712 pacientes únicos.
• Tokenização Atômica: Diferente de modelos que fragmentam códigos (ex: dividir "E11.9" em "E11" e ".9"), o Coogee utiliza uma estratégia de tokenização atômica, onde cada conceito clínico distinto é representado por um único token indivisível. Isso garante a integridade estrutural e evita a criação de códigos médicos inválidos.
• Vocabulário Expandido: O modelo cobre quase 32.000 conceitos clínicos distintos, incluindo demografia, diagnósticos (ICD-10-CM), procedimentos (ICD-10-PCS), medicamentos (ATC) e testes laboratoriais, abordando a "cauda longa" dos dados médicos que modelos anteriores ignoravam.
• Fundamentação em Conhecimento (Knowledge-Grounded):
  • Os tokens são enriquecidos com embeddings baseados em conhecimento biomédico (usando o grafo de conhecimento PrimeKG e ClinicalBERT).
  • Isso permite que o modelo aprenda relações semânticas e biológicas (ex: ligação entre um fármaco e uma doença) em vez de apenas estatísticas de frequência, melhorando a generalização para doenças raras e comorbidades complexas.
• Arquitetura: Um modelo gerador baseado em Transformer (decoder-only) com 50M de parâmetros (13M treináveis), utilizando Rotary Position Embeddings (RoPE) para capturar intervalos temporais irregulares e Grouped-Query Attention (GQA) para eficiência.

B. Auditoria Automatizada Escalável (Passo 2)

• O Desafio: Mesmo com geração estruturalmente correta, modelos probabilísticos podem produzir inconsistências semânticas (ex: lógica clínica quebrada).
• Solução: Implementação de um módulo de auditoria automatizado utilizando Modelos de Linguagem Grandes (LLMs).
• Processo: Um LLM local (Qwen3-30B) atua como um especialista médico, avaliando cada trajetória sintética completa em três dimensões:
  1. Alinhamento Demográfico: Verifica consistência entre atributos biológicos (sexo, idade) e eventos clínicos.
  2. Raciocínio Clínico: Garante cadeias causais lógicas (ex: medicamentos suportados por diagnósticos ou achados laboratoriais).
  3. Plausibilidade Temporal: Confirma que a sequência de eventos é fisicamente e clinicamente viável.
• Filtro: Apenas trajetórias com pontuação de realismo $\ge 7/10$ são mantidas no conjunto final.

3. Resultados Principais

Fidelidade Estatística e Estrutural

• O modelo gerou 18.071 registros sintéticos.
• Correlação: Alta correlação ($R^2 = 0,99$) e viés médio efetivo de 0,00 entre as probabilidades de eventos clínicos reais e sintéticos.
• Estrutura: A distribuição de visitas por paciente, densidade de códigos e intervalos temporais (gaps entre eventos) espelha fielmente os dados reais (Estatística de Kolmogorov-Smirnov $\le 0,06$).
• Padrões Complexos: O modelo preservou co-ocorrências de síndromes complexas (ex: Síndrome Cardio-Renal, complicações metabólicas da diabetes) com alta fidelidade.

A Lacuna de Consistência e o Impacto da Auditoria

• Revisão Inicial: Antes da auditoria, revisores clínicos humanos identificaram inconsistências em 45-60% dos registros sintéticos, apesar da alta fidelidade estatística.
• Efeito da Auditoria: Após o filtro do LLM, a distinção entre dados reais e sintéticos diminuiu drasticamente.
  • O tamanho do efeito de Cohen ($d$) entre dados reais e sintéticos caiu de um intervalo de 0,59–1,60 (antes) para 0,18–0,67 (depois).
  • Revisores humanos e outros LLMs tiveram dificuldade em distinguir os dados auditados dos reais.

Utilidade Descendente e Privacidade

• Utilidade (TSTR): Modelos treinados em dados sintéticos auditados e testados em dados reais (protocolo Train-on-Synthetic, Test-on-Real) alcançaram desempenho comparável ou superior aos modelos treinados em dados reais para tarefas como fenotipagem, previsão de mortalidade e readmissão.
• Privacidade: Não houve vazamento de privacidade. Ataques de Inferência de Membros (MIA) tiveram desempenho indistinguível do chute aleatório (F1-score = 0,51), e riscos de inferência de atributos foram reduzidos em comparação com dados reais.

4. Contribuições Chave

1. Framework Coogee: Primeira abordagem que combina geração fundamentada em conhecimento biomédico com auditoria automatizada escalável para garantir consistência clínica.
2. Tokenização Atômica: Eliminação de códigos médicos "alucinados" através de um mapeamento estrito de 1:1 entre tokens e ontologias, cobrindo 32k conceitos.
3. Auditoria via LLM: Demonstração de que LLMs podem atuar como auditores escaláveis e confiáveis, substituindo a revisão manual inviável para grandes coortes, fechando a lacuna entre probabilidade estatística e raciocínio clínico.
4. Evidência Empírica: Prova de que a fidelidade estatística sozinha é insuficiente para dados sintéticos úteis e que a auditoria rigorosa é necessária para gerar dados clinicamente confiáveis.

5. Significado e Implicações

Este trabalho estabelece um novo padrão para a geração de dados sintéticos em saúde. Ele demonstra que para que dados sintéticos sejam utilizados com segurança em desenvolvimento de IA clínica, simulação de "gêmeos digitais" e validação de algoritmos, eles devem transcender a mera similaridade estatística.

• Governança de Dados: A auditoria automatizada deve se tornar um componente padrão em pipelines de dados sintéticos.
• Segurança e Confiança: O framework permite o compartilhamento soberano de dados de pacientes em escala, protegendo a privacidade enquanto mantém a utilidade clínica para pesquisa e desenvolvimento de ferramentas de decisão clínica.
• Futuro: Abre caminho para a modelagem de trajetórias de pacientes de longo prazo e a integração de dados multimodais, superando as limitações atuais de janelas de contexto e consistência semântica.

Em resumo, o Coogee resolve o paradoxo de escalabilidade na validação clínica, transformando dados sintéticos de "estatisticamente prováveis" para "logicamente sólidos" e clinicamente confiáveis.