Veritas-RPM: Provenance-Guided Multi-Agent False Positive Suppression for Remote Patient Monitoring

1. O Problema: Fadiga de Alarme no Monitoramento Remoto de Pacientes (RPM)

O monitoramento remoto de pacientes (RPM) é uma pedra angular da estratégia de cuidados virtuais do NHS (Serviço Nacional de Saúde do Reino Unido). No entanto, a implementação atual enfrenta um problema crítico: taxas de falsos positivos entre 74% e 99%.

• Causa: Os sistemas existentes baseiam-se predominantemente em alertas gerados por ultrapassagem de limites (thresholds) em parâmetros fisiológicos individuais, sem integração contextual adequada (como atividade do paciente, integridade do dispositivo ou baselines clínicas específicas).
• Consequência: Isso gera "fadiga de alarme", onde os clínicos ignoram alertas, aumentam as taxas de sobrescrita (override) e sofrem sobrecarga cognitiva, comprometendo a resposta a eventos reais e a segurança do paciente.
• Lacuna: Abordagens atuais de filtragem de ruído são limitadas a processamento de sinal isolado, faltando uma camada de supressão sistêmica que integre múltiplas dimensões contextuais e proveniência de dados.

2. Metodologia: Arquitetura Veritas-RPM

O artigo apresenta o Veritas-RPM, uma arquitetura de referência baseada em agentes múltiplos guiada por proveniência de dados (data provenance). O sistema foi validado através de uma simulação baseada em uma taxonomia de 98 casos de falsos positivos.

Arquitetura de 5 Camadas:

1. VeritasAgent: Monta o registro do paciente a partir de quatro fontes de "verdade fundamental" (EHR, logs de conversa, fluxos de sinais vitais e dados relatados pelo paciente), atribuindo tags de proveniência a cada campo (ex: verificado por dispositivo, relatado pelo paciente, derivado de EHR).
2. SentinelLayer: Detecta anomalias nos parâmetros que excedem os limites configurados, emitindo um alerta candidato apenas se houver tags de proveniência disponíveis.
3. DirectorAgent: Roteia o alerta candidato para os agentes especialistas relevantes com base na classificação do alerta e no perfil de proveniência.
4. Agentes Especialistas (6 Domínios): Avaliam o alerta em contexto clínico específico:
   • ProbeIntegrityAgent: Qualidade do sinal e conexão do dispositivo.
   • ActivityIntegrityAgent: Artefatos de movimento (acelerômetro).
   • Tachycardia/BradycardiaAgents: Contexto de frequência cardíaca (medicação, sono, atividade).
   • COPDAgent: Baselines de hipoxemia crônica.
   • NocturnalAgent: Padrões fisiológicos noturnos.
5. MetaSentinelAgent: Agrega as reivindicações dos especialistas, aplica lógica de "cooldown" (resfriamento), resolve conflitos entre agentes e toma a decisão final (supressão ou escalonamento).

Design de Validação (Simulação):

• Taxonomia: 98 casos de falsos positivos derivados de revisão de literatura e dados anonimizados de parceiros do NHS.
• Geração de Dados: 530 "épocas" (janelas de 1 minuto) de dados sintéticos gerados via Python (NumPy) a partir dos parâmetros da taxonomia.
• Métricas: Taxa de Supressão Verdadeira (TSR), Taxa de Escalonamento Falso (FER) e Taxa Indeterminada (INDR).
• Controle de Rigor: O uso de dados sintéticos com rótulos de verdade conhecidos permite uma avaliação objetiva pré-clínica, alinhada com diretrizes da FDA e MHRA para desenvolvimento de dispositivos médicos.

3. Contribuições Chave

• Camada de Proveniência Estrutural: Separação explícita entre dados verificados e inferências de LLM antes da razão clínica, impedindo que valores inferidos (alucinações) causem supressão indevida de eventos clínicos reais.
• Arquitetura Multi-Agente Especializada: Decomposição do problema de supressão de alertas em domínios clínicos específicos, coordenados por um mecanismo de roteamento determinístico.
• Validação Pré-Clínica Robusta: Demonstração de viabilidade arquitetural através de uma taxonomia de casos de falha bem definida, com código-fonte aberto (Zenodo/GitHub) para reprodutibilidade.
• Análise de Modos de Falha: Identificação precisa de onde o sistema falha, permitindo engenharia direcionada para correções futuras.

4. Resultados da Simulação

• Desempenho Geral:
  • TSR (Supressão Verdadeira): 83,7% (82/98 casos).
  • FER (Escalonamento Falso): 16,3% (16/98 casos).
  • INDR (Indeterminado): 0% (nenhum caso ficou sem resolução).
• Desempenho por Domínio:
  • Cinco dos seis agentes especialistas (ProbeIntegrity, ActivityIntegrity, COPD, Bradycardia, Nocturnal) alcançaram 100% de TSR em seus casos de domínio único.
  • O TachycardiaAgent alcançou 88% de TSR.
• Análise de Falhas:
  • As falhas concentraram-se exclusivamente em cenários de conflito multi-sinal resolvidos pelo MetaSentinelAgent.
  • Principais causas de falha:
    1. Conflitos entre agentes quando o status do dispositivo era system_flag (alerta de nível de plataforma sem classificação de artefato específica), faltando contexto de proveniência para resolver o conflito.
    2. Casos onde os valores dos parâmetros estavam na margem dos limites (threshold-marginal), impedindo uma decisão definitiva.
  • Não houve falsos positivos em casos de domínio único com contexto de proveniência completo.

5. Significado e Conclusão

O estudo demonstra a viabilidade arquitetural de uma camada de supressão de falsos positivos baseada em agentes múltiplos e guiada por proveniência.

• Impacto Clínico: Uma redução de ~84% nos falsos positivos antes que os alertas cheguem aos clínicos representaria uma melhoria substancial na carga de trabalho e na segurança do paciente no NHS.
• Interpretabilidade: Diferente de modelos de "caixa preta", as falhas do Veritas-RPM são localizadas e interpretáveis (ex: falha no mecanismo de resolução de conflitos do MetaSentinel), o que facilita a engenharia de correções.
• Próximos Passos: O estudo é uma avaliação pré-clínica. O próximo passo planejado (Fase 1) é uma validação prospectiva com 200 casos reais do NHS, visando reduzir a taxa de escalonamento falso em pelo menos 40% em comparação com uma base de agente LLM único.

Em resumo, o Veritas-RPM propõe uma mudança de paradigma de "alertas baseados apenas em limites" para "decisões baseadas em contexto e proveniência", oferecendo uma solução promissora para o problema crônico da fadiga de alarme na saúde digital.