Coding-Free and Privacy-Preserving MCP Framework for Clinical Agentic Research Intelligence System

Título: Framework MCP sem Codificação e Preservador de Privacidade para um Sistema de Inteligência de Pesquisa Clínica Agente (CARIS)

1. Problema Identificado

A pesquisa clínica baseada em dados enfrenta barreiras significativas que limitam a participação de clínicos e pesquisadores externos:

• Complexidade Técnica: A tradução de hipóteses clínicas em estudos acionáveis exige expertise de domínio, habilidades de programação (SQL, Python, ML) e conhecimento profundo de pré-processamento de dados.
• Acesso a Dados Sensíveis: A necessidade de acesso direto a dados brutos de pacientes cria barreiras de privacidade e conformidade regulatória, dificultando colaborações entre instituições públicas e privadas.
• Carga Administrativa: Processos como desenho de estudo, construção de coortes, documentação para Comitês de Ética em Pesquisa (IRB) e geração de relatórios são intensivos em mão de obra e propensos a erros manuais.
• Falta de Integração: Soluções existentes focam em componentes isolados (ex: AutoML ou geração de documentos), mas falham em suportar fluxos de trabalho clínicos integrados e seguros.

2. Metodologia: O Sistema CARIS

O autores desenvolveram o CARIS (Clinical Agentic Research Intelligence System), um sistema de IA agente que automatiza o fluxo de trabalho de pesquisa clínica de ponta a ponta, utilizando o Model Context Protocol (MCP).

• Arquitetura Baseada em MCP:

  • O sistema utiliza uma arquitetura cliente-servidor onde o LLM (Modelo de Linguagem Grande) atua como um "cientista de pesquisa" autônomo.
  • Segurança de Dados: Os bancos de dados e arquivos brutos permanecem isolados no servidor MCP. O LLM não tem acesso direto aos dados brutos do paciente. Ele interage apenas através de ferramentas modulares que executam consultas e retornam apenas resultados processados (agregados, estatísticas, CSVs anonimizados).
  • Interface Natural: Os usuários interagem via linguagem natural, sem necessidade de escrever código.

• Agentes Modulares e Fluxo de Trabalho:
  O CARIS orquestra uma série de agentes especializados:

  1. Agente de Planejamento de Pesquisa:
     • Gera um plano estruturado iterativamente através de um chatbot.
     • Utiliza o framework PIMO (Paciente, Input, Modelo, Resultado) para extrair palavras-chave e buscar literatura relevante no PubMed.
     • Analisa metadados de bancos de dados heterogêneos para definir critérios de inclusão/exclusão e construir coortes.
  2. Agente de Documentação IRB:
     • Redige automaticamente seções críticas para aprovação ética (fundamentação, métodos, hipóteses), garantindo conformidade com diretrizes éticas e consistência entre seções.
     • Opera em um ciclo de "humano-no-loop" para revisão e refinamento contínuo.
  3. Agente de Vibe Machine Learning (Vibe ML):
     • Executa Análise Exploratória de Dados (EDA), pré-processamento (imputação, codificação) e seleção de características (usando métodos como RFE, Boruta/SHAP, MI).
     • Treina e avalia múltiplos modelos (Random Forest, XGBoost, LightGBM, etc.) com ajuste de hiperparâmetros e validação cruzada.
     • Gera visualizações de desempenho (matrizes de confusão, curvas ROC, gráficos SHAP) e comparações estatísticas.
  4. Agente de Geração de Relatórios:
     • Produz manuscritos completos em formato Word, seguindo rigorosamente a diretriz TRIPOD+AI (relatamento transparente de modelos de predição com IA).

3. Contribuições Chave

• Paradigma "Coding-Free": Permite que clínicos realizem pesquisas complexas de dados apenas através de diálogo natural, eliminando a barreira da programação.
• Privacidade por Design: A arquitetura MCP garante que os dados sensíveis nunca saiam do ambiente seguro do servidor, permitindo pesquisa em dados heterogêneos sem violação de privacidade.
• Automação de Fluxo Completo: Integra desde a ideia inicial e revisão de literatura até a construção de coortes, modelagem ML e redação de artigos, algo não oferecido por ferramentas anteriores.
• Validação em Cenários Reais: O sistema foi testado em três conjuntos de dados clínicos distintos e tarefas preditivas diferentes, demonstrando generalizabilidade.

4. Resultados

O CARIS foi avaliado em três tarefas clínicas distintas:

1. Reinternação em UTI (MIMIC-IV): Previsão de readmissão.
2. Lesão Renal Aguda Pós-Operatória (INSPIRE): Previsão de AKI.
3. Progressão de Pré-diabetes para Diabetes (SyntheticMass): Previsão de evolução da doença.

Desempenho Quantitativo:

• Documentação IRB: Os documentos foram finalizados em 3 a 4 iterações de revisão humana.
• Desempenho de Modelos ML: O sistema alcançou desempenho comparável a estudos manuais:
  • Readmissão em UTI: AUROC de 71.50% (XGBoost).
  • AKI Pós-operatório: AUROC de 85.77% (LightGBM).
  • Diabetes: AUROC de 88.58% (XGBoost).
• Qualidade do Relatório Final:
  • Avaliação baseada em checklist TRIPOD+AI: 96% de cobertura pela avaliação do LLM e 82% pela avaliação humana.
  • O sistema gerou relatórios estruturados com todas as seções essenciais (Introdução, Métodos, Resultados, Discussão, etc.).

Eficiência:

• O tempo total para completar o fluxo de trabalho (do planejamento ao relatório) foi reduzido de semanas/dias para horas (aprox. 2-2,5h para planejamento/IRB e 5-10h para exploração ML extensiva).

5. Significado e Conclusão

O CARIS representa uma mudança de paradigma na pesquisa clínica. Ao combinar a capacidade de raciocínio dos LLMs com a segurança e modularidade do protocolo MCP, o sistema:

• Democratiza a Pesquisa: Remove a necessidade de habilidades técnicas avançadas, permitindo que clínicos liderem estudos baseados em dados.
• Facilita Colaborações: Permite a análise de dados entre instituições e ambientes (público/privado) sem a necessidade de compartilhar dados brutos, superando barreiras regulatórias.
• Acelera a Inovação: Automatiza tarefas repetitivas e burocráticas, permitindo que os pesquisadores se concentrem na interpretação clínica e na descoberta de conhecimento.

Embora existam limitações (como a dependência de dados tabulares estruturados e a necessidade de refinamento humano final para conformidade específica de revistas), o estudo demonstra que a IA agente pode transformar fundamentalmente a rotina de utilização de dados clínicos, tornando a pesquisa mais acessível, rápida e segura.