Implicit Framing in Obstetric Counseling Notes: A Grounded LLM Pipeline on a VBAC-Eligible Cohort

Resumo Técnico: Enquadramento Implícito em Notas de Aconselhamento Obstétrico

Título Original: Implicit Framing in Obstetric Counseling Notes: A Grounded LLM Pipeline on a VBAC-Eligible Cohort

1. O Problema (Contexto e Motivação)

A decisão entre o parto vaginal após cesárea (VBAC) e a cesárea de repetição (RCS) é uma escolha sensível às preferências da paciente, envolvendo trocas entre riscos maternos, neonatais e recuperação. O "enquadramento clínico" (clinical framing) — a maneira linguística como as informações são apresentadas — pode influenciar drasticamente a percepção e a tomada de decisão da paciente.

O desafio central identificado pelos autores é que a análise de larga escala dessa linguagem em prontuários eletrônicos (EHR) é dificultada por:

• Dados não estruturados: O aconselhamento está em textos livres (narrativas), que são ruidosos e inconsistentes.
• Confundimento médico: Nem toda paciente que realizou uma RCS era clinicamente elegível para um VBAC. Incluir pacientes com contraindicações médicas na análise linguística distorceria os resultados, pois o médico não teria aconselhado o VBAC por razões clínicas, e não por viés de enquadramento.

2. Metodologia

Os autores propõem um pipeline baseado em Modelos de Linguagem de Grande Escala (LLMs) para realizar uma análise controlada por coorte. A metodologia divide-se em três etapas principais:

A. Construção de uma Coorte Controlada (Elegibilidade):
Para garantir que a comparação fosse justa, eles criaram uma coorte de pacientes para as quais ambas as opções (VBAC e RCS) eram clinicamente viáveis.

• Utilizaram dados estruturados para um filtro inicial.
• Implementaram um pipeline de LLM para extrair evidências de elegibilidade (como tipo de incisão uterina anterior) diretamente das narrativas de texto livre, mitigando a falta de dados em campos estruturados.
• Realizaram uma auditoria de "alucinação" para garantir que as informações extraídas fossem baseadas estritamente no texto original (grounded).

B. Extração de Evidências via LLM:
Testaram diferentes configurações de prompts (curtos e longos) e modelos (Llama 3.1 8B e Llama 3.3 70B). O objetivo era extrair tipos de incisão, contraindicações e modos de parto anteriores para classificar a elegibilidade.

C. Quantificação do Enquadramento (Framing):
Aplicaram um framework de zero-shot learning com o modelo Llama 3.3 70B para categorizar segmentos de texto em sete categorias de enquadramento:

1. Focado em Risco (Risk-Focused): Ênfase em complicações.
2. Focado em Benefício (Benefit-Focused): Ênfase em vantagens.
3. Diretivo (Directive): Recomendações fortes/autoritárias.
4. Tomada de Decisão Compartilhada (Shared Decision-Making): Linguagem colaborativa.
5. Informação Equilibrada (Balanced Information): Apresentação neutra de riscos e benefícios.
6. Evidência Estatística (Statistical Evidence): Uso de números e probabilidades.
7. Reassegurador (Reassuring): Linguagem de apoio emocional.

3. Principais Contribuições

1. Pipeline de Construção de Coorte: Um método robusto para usar LLMs para extrair critérios de elegibilidade médica de textos não estruturados, reduzindo vieses de confusão.
2. Análise de Confiabilidade de LLMs: Um estudo sobre como a complexidade do prompt e a escala do modelo afetam a ocorrência de alucinações em contextos clínicos sensíveis.
3. Framework de Quantificação de Enquadramento: Uma aplicação escalável de LLMs para medir nuances de discurso clínico que métodos baseados em regras não conseguem capturar.

4. Resultados

• Confiabilidade do Modelo: O modelo Llama 3.3 70B com prompts curtos demonstrou ser o mais confiável, apresentando zero variantes de alucinação em campos críticos, enquanto modelos menores (8B) com prompts longos sofreram de "sobrecarga de instrução", gerando altas taxas de alucinação.
• Diferenças de Enquadramento: Houve uma diferença estatisticamente significativa ($p \approx 1.48 \times 10^{-11}$) entre os grupos.
  • Domínio do Risco: O enquadramento focado em riscos dominou ambos os grupos, mas foi significativamente mais concentrado nas notas de pacientes que realizaram RCS (86,4%) do que nas de VBAC (75,1%).
  • Tendências em VBAC: Pacientes que optaram por VBAC apresentaram uma frequência significativamente maior de enquadramentos de Tomada de Decisão Compartilhada, Informação Equilibrada, Benefícios e Evidência Estatística.
• Conclusão dos Dados: Embora o aconselhamento seja predominantemente focado em perdas (riscos) em ambos os casos, o discurso em torno da cesárea (RCS) é mais unilateral e centrado em riscos do que o discurso em torno do parto vaginal.

5. Significância

O estudo demonstra que o modo como os médicos documentam o aconselhamento pode refletir (ou reforçar) padrões de decisão que favorecem a cesárea. Ao provar que o enquadramento é sistematicamente diferente mesmo quando as opções são clinicamente equivalentes, o trabalho destaca a necessidade de práticas de comunicação mais equilibradas e colaborativas para garantir que a autonomia da paciente seja respeitada e que a decisão seja verdadeiramente informada.