Neuro-Symbolic Resolution of Recommendation Conflicts in Multimorbidity Clinical Guidelines

1. O Problema

O artigo aborda uma crise de confiabilidade fundamental nos sistemas de Inteligência Artificial (IA) aplicados à medicina, especificamente no paradigma de Geração Aumentada por Recuperação (RAG).

• Fragilidade do RAG: Embora o RAG utilize diretrizes clínicas externas para reduzir alucinações de Grandes Modelos de Linguagem (LLMs), ele falha quando as próprias diretrizes contêm inconsistências.
• Natureza do Conflito: Diretrizes clínicas desenvolvidas por sociedades especializadas independentes exibem fragmentação, redundância e contradições lógicas. Isso é particularmente crítico em pacientes com multimorbidade (várias doenças simultâneas).
• O "Conflito Local": A maioria das contradições não é uma negação direta (ex: "faça X" vs "não faça X" para a mesma doença), mas sim um Conflito Local. Isso ocorre quando as condições de duas regras diferentes se intersectam (ex: um paciente tem Diabetes e Doença Renal Crônica), criando um impasse onde a aplicação de diretrizes de doenças únicas gera recomendações opostas ou perigosas.
• Limitação dos LLMs: Modelos de linguagem de última geração (SOTA) falham em detectar essas nuances lógicas complexas, tratando-as como ruído ou ignorando-as, o que pode levar a erros clínicos catastróficos.

2. Metodologia

Os autores propõem um framework Neuro-Simbólico automatizado para detectar e harmonizar conflitos em diretrizes clínicas. O pipeline é dividido em três fases principais:

A. Processamento do Corpus (Atomização)

• Um extrator de recomendações filtra o texto não estruturado, isolando intervenções farmacológicas que definam claramente uma população-alvo e uma ação (usando verbos direcionais e modais deônticos).
• As recomendações são agrupadas em clusters semânticos usando Locality-Sensitive Hashing (LSH).

B. Formalização Neuro-Simbólica (Multi-Agent)

Um sistema de agentes encadeados traduz o texto natural em lógica simbólica executável:

1. Agente de Entidade: Mapeia termos clínicos ambíguos para códigos canônicos (SNOMED CT, LOINC, RxNorm) seguindo padrões HL7 FHIR.
2. Agente de Predicado: Converte entidades estáticas em predicados lógicos verificáveis (ex: transformando "T2DM" em HasT2DM). Utiliza operadores tipados para lógica existencial, aritmética e categórica.
3. Agente de Regra: Monta predicados atômicos em estruturas lógicas compostas e mapeia diretivas para um vocabulário de ações padronizado.

C. Verificação Baseada em Lógica (SAT)

• As regras formalizadas são codificadas e submetidas a um Satisfiability (SAT) Solver (especificamente o Z3).
• O sistema classifica as interações em uma taxonomia hierárquica:
  • Redundância: Reglas equivalentes ou contidas.
  • Conflito:
    • Intrínseco: Mesma população, ações opostas.
    • Implicação: Conflito entre regra geral e específica.
    • Local: O ponto focal do trabalho. Ocorre quando as condições de duas regras apenas se intersectam ($C1 \cap C2 \neq \emptyset$), criando um conflito apenas para pacientes com ambas as condições.

3. Principais Contribuições

1. Schema NL2SL Específico para Diretrizes: Um modelo de dados computável que captura a estrutura condicional aninhada e a semântica de ações das recomendações clínicas.
2. Pipeline Automatizado Neuro-Simbólico: Integração de agentes LLM (para interpretação semântica) com solvers SAT (para verificação lógica determinística), capaz de detectar e categorizar conflitos, incluindo os complexos conflitos locais de multimorbidade.
3. Novo Benchmark e Dataset: Criação e open-source do primeiro conjunto de dados de raciocínio lógico profundo dedicado à Harmonização de Diretrizes, contendo 12 diretrizes autoritativas sobre inibidores de SGLT2, com anotações de ouro validadas por especialistas.

4. Resultados

O sistema foi avaliado em um benchmark de 12 diretrizes de inibidores de SGLT2:

• Descoberta Estrutural: A análise revelou que 90,6% dos conflitos são do tipo "Local". Isso demonstra que as diretrizes de doenças únicas são estruturalmente inadequadas para pacientes com múltiplas comorbidades, uma complexidade que o RAG padrão não consegue navegar.
• Desempenho de Detecção:
  • LLMs SOTA (GPT-5, Gemini, etc.): Falharam catastroficamente na detecção de conflitos, com Recall variando entre 0,08 e 0,18 e F1-score máximo de 0,298. Eles tendem a classificar conflitos locais como "neutros" ou "relacionados".
  • Abordagem Neuro-Simbólica: Alcançou um F1-score de 0,861, superando significativamente os modelos puramente neurais.
• Robustez ao Ruído: Em testes com injeção de regras irrelevantes (simulando ruído de recuperação RAG), os modelos baseados apenas em LLM sofreram degradação acentuada no desempenho, enquanto o sistema neuro-simbólico manteve sua precisão, provando que a verificação lógica é essencial para filtrar ruído semântico.
• Precisão de Formalização: A tradução de texto natural para lógica simbólica atingiu 80,1% de precisão em zero-shot, com erros principais relacionados à perda de contexto implícito ou falhas na ancoragem de entidades.

5. Significado e Conclusão

O trabalho estabelece um novo padrão técnico para a governança de conhecimento em IA médica:

• Verificação Lógica Prévia: A conclusão central é que a verificação lógica deve preceder a recuperação em sistemas RAG médicos. Não basta recuperar informações; o sistema deve possuir "máquinas simbólicas" para adjudicar restrições conflitantes.
• Segurança Clínica: A abordagem oferece um mecanismo para identificar impasses clínicos (ex: proteção renal vs. segurança hemodinâmica) que seriam invisíveis para modelos estatísticos puros.
• Futuro: O framework abre caminho para a harmonização automática de diretrizes, onde provas geradas por solvers podem guiar LLMs a reescrever recomendações inconsistentes em caminhos de decisão coerentes e centrados no paciente.

Em resumo, o artigo demonstra que a combinação da flexibilidade semântica dos LLMs com o rigor dedutivo dos solvers SAT é indispensável para resolver a complexidade lógica inerente ao cuidado de pacientes com multimorbidade.