Train the Trainers -- An Agentic AI Framework for Peer-Based Mental Health Support in Battlefield Environments

Resumo Técnico: Treinamento de Treinadores — Um Framework de IA Agêntica para Suporte de Saúde Mental entre Pares em Ambientes de Campo de Batalha

1. Declaração do Problema

Operações militares modernas expõem soldados a estresse psicológico sustentado, levando a reações agudas, sintomas de estresse pós-traumático e outros desafios de saúde mental. Embora o Departamento de Defesa dos EUA (DoD) forneça terapias baseadas em evidências, o acesso a profissionais de saúde mental treinados é severamente limitado em ambientes de implantação avançada e contestados devido a restrições logísticas, ritmo operacional e conectividade intermitente. Consequentemente, soldados que experimentam angústia em estágios iniciais são frequentemente evacuados para instalações médicas na retaguarda. Esse atraso na intervenção interrompe a coesão da unidade, reduz a eficácia operacional e aumenta os riscos a longo prazo. Modelos existentes de apoio entre pares carecem da orientação estruturada necessária para garantir consistência, segurança e supervisão ética em ambientes austero, frequentemente deixando facilitadores de pares sem ferramentas para avaliar a gravidade dos sintomas ou determinar caminhos adequados de escalonamento.

2. Metodologia

O artigo propõe um framework de Treinamento de Treinadores aumentado por uma plataforma de IA agêntica. Este sistema é projetado para operar em ambientes desconectados ou com baixa conectividade, preservando o controle humano no ciclo (human-in-the-loop) enquanto fornece suporte estruturado à decisão.

Arquitetura Central:

• Entidade Humana (Treinador de Pares): Um soldado recuperado que completou terapia e retornou ao serviço. Ele atua como supervisor humano, responsável por iniciar interações, interpretar recomendações da IA e tomar decisões finais sobre intervenção ou escalonamento. Ele não realiza diagnóstico clínico.
• Consortium de Agentes de IA: Um conjunto de agentes de IA especializados operando sob supervisão humana:
  • Agente de Avaliação: Suporta a avaliação não clínica de indicadores psicológicos observáveis (por exemplo, interrupção do sono, desregulação emocional) usando um framework estruturado para gerar faixas de gravidade e alertas de risco.
  • Agente de Orientação para Intervenção entre Pares: Sugere técnicas de estabilização não clínica (por exemplo, aterramento, regulação respiratória) com base nas saídas da avaliação.
  • Agente de Restrições Operacionais: Integra postura da missão, localização e disponibilidade de recursos para garantir que as recomendações sejam viáveis dentro do contexto de campo de batalha.
  • Agente de Escalonamento e Encaminhamento: Auxilia na identificação de limiares para cuidados profissionais e gera resumos estruturados de transferência.
  • Agente de Documentação e Análise Pós-Ação: Captura registros mínimos e que preservam a privacidade das interações.
  • Agente de Treinamento e Simulação: Fornece exercícios baseados em cenários para manutenção de habilidades.
  • Agente de Ajuste Fino e Aprendizado Contínuo: Agregue dados anonimizados para atualizações de modelo offline.

Mecanismo de Raciocínio:
Para garantir robustez e explicabilidade, o sistema emprega um mecanismo de inferência baseado em consenso.

1. Consortium de Modelos: Múltiplos Modelos de Linguagem de Grande Porte (LLMs) ajustados finamente (especificamente Llama-3, Mistral e Qwen) processam a mesma entrada independentemente.
2. Modelo Orientado a Raciocínio: Um modelo dedicado de raciocínio (GPT-OSS) avalia, reconcilia e sintetiza as saídas dos modelos ajustados finamente.
3. Saída: O sistema gera uma recomendação consolidada acompanhada de uma rationale interpretável, mitigando o viés de modelo único e fornecendo justificativas transparentes para revisão humana.

Detalhes de Implementação:

• Orquestração: Construído usando o OpenAI Agents SDK e o Protocolo de Contexto de Modelo (MCP) para comunicação estruturada entre agentes.
• Ajuste Fino: Utilizou Adaptadores de Baixa Classificação (LoRA) com quantização de 4 bits (QLoRA) em um modelo base Qwen2.5-7B-Instruct. O conjunto de dados de treinamento consistiu em 500 conversas sintéticas entre psiquiatra e paciente cobrindo cinco categorias do DSM-5 (Transtorno Depressivo Maior, Transtorno de Ansiedade Generalizada, Transtorno de Pânico, TEPT e Transtorno Bipolar Tipo I).
• Implantação: Projetado para rodar localmente em hardware sem conectividade de rede contínua, com atualizações realizadas por meio de pipelines seguros e offline.

3. Contribuições Principais

1. Formulação do Framework: Um modelo inovador de Treinamento de Treinadores adaptado especificamente para suporte de saúde mental em campo de batalha, aproveitando soldados recuperados como facilitadores de pares.
2. Arquitetura de IA Agêntica: O design de um sistema multiagente supervisionado por humanos que aumenta treinadores de pares com suporte especializado à decisão, mantendo estritamente a autoridade humana.
3. Raciocínio Baseado em Consenso: Um fluxo de trabalho demonstrando como a colaboração humano-IA, utilizando um consortium de LLMs ajustados finamente e um modelo orientado a raciocínio, pode reduzir a latência de resposta e melhorar a confiabilidade das avaliações em ambientes com recursos limitados.
4. Protótipo Funcional: A implementação e avaliação de um protótipo funcional desenvolvido em colaboração com o Centro de Saúde do Exército dos EUA McDonald, demonstrando viabilidade em ambientes desconectados.

4. Resultados

O artigo apresenta uma avaliação do Agente de Avaliação e do processo de ajuste fino:

• Desempenho de Ajuste Fino: O modelo Qwen2.5-7B-Instruct foi ajustado finamente em um conjunto de dados de 500 amostras (400 de treinamento, 50 de validação, 50 de teste). O treinamento convergiu efetivamente em 180 etapas (aproximadamente 8,24 minutos em uma GPU NVIDIA A100) sem overfitting significativo. A configuração LoRA exigiu apenas 0,53% dos parâmetros totais do modelo (40,37M parâmetros treináveis).
• Alinhamento Preditivo: Em um conjunto de teste retido de 50 amostras, o consortium ajustado finamente alcançou uma precisão de alinhamento geral de 88,0% em relação aos rótulos de referência do DSM-5.
  • Alinhamento perfeito (100%) foi alcançado para Transtorno de Ansiedade Generalizada, Transtorno Bipolar Tipo I e Transtorno de Pânico.
  • Menor precisão foi observada para Transtorno Depressivo Maior (62,5%) e TEPT (57,1%), atribuída à maior sobreposição de sintomas e variabilidade de apresentação.
• Melhorias Qualitativas: Após o ajuste fino, os modelos (Llama-3, Mistral, Qwen2) geraram resumos de avaliação mais concisos, estruturados e interpretáveis em comparação com suas contrapartes de base, que eram frequentemente verbosos e pouco estruturados.
• Raciocínio de Consenso: A avaliação do LLM orientado a raciocínio (GPT-OSS) confirmou sua capacidade de sintetizar saídas diversas de modelos, resolver inconsistências e fornecer rationales transparentes, aumentando assim a robustez e a confiabilidade do sistema.

5. Significado e Alegações

O artigo afirma que este trabalho representa a primeira aplicação de IA agêntica ao suporte de saúde mental liderado por pares em ambientes de campo de batalha. Seu significado reside em:

• Multiplicador de Força: Demonstrar como a IA agêntica pode servir como multiplicador de força para o suporte de saúde mental em ambientes austero onde clínicos profissionais não estão disponíveis.
• IA Responsável em Cenários de Alto Risco: Estabelecer um framework que prioriza o controle humano no ciclo, explicabilidade e limites éticos. O sistema evita explicitamente diagnóstico ou intervenção autônoma, posicionando a IA estritamente como uma ferramenta de suporte à decisão.
• Viabilidade Operacional: Provar que sistemas complexos de IA multiagente podem ser implantados em ambientes desconectados e de baixa conectividade através de execução local e ajuste fino offline.
• Continuidade do Cuidado: Oferecer um caminho para reduzir evacuações desnecessárias, prevenir a escalada de sintomas e melhorar a continuidade do cuidado, permitindo intervenção precoce e informada no ponto de necessidade.

Os autores concluem que, embora o protótipo mostre viabilidade técnica, uma avaliação mais ampla usando dados gerados em campo e estudos longitudinais é necessária para avaliar o desempenho sob condições operacionais reais. Trabalhos futuros explorarão a integração de sinais fisiológicos e a expansão da coordenação com clínicos remotos.