Automated ICD Classification of Psychiatric Diagnoses: From Classical NLP to Large Language Models

Resumo Técnico: Classificação Automatizada de Diagnósticos Psiquiátricos por CID

Enunciação do Problema
A classificação de diagnósticos psiquiátricos em códigos da Classificação Internacional de Doenças (CID) é uma tarefa administrativa crítica, porém intensiva em mão de obra. No contexto da saúde mental, onde as notas clínicas frequentemente contêm descrições subjetivas e pistas semânticas implícitas, em vez de nomes explícitos de transtornos, a codificação manual é propensa a inconsistências e erros. Este estudo aborda o desafio de automatizar o mapeamento de descrições psiquiátricas em texto livre em espanhol para códigos CID padronizados. A tarefa é enquadrada como um problema de classificação multirrótulo extremo, caracterizado por uma distribuição de "cauda longa" de rótulos, onde um pequeno número de diagnósticos comuns domina o conjunto de dados, enquanto condições raras sofrem de desequilíbrio de classes severo.

Metodologia
A pesquisa utilizou um conjunto de dados especializado composto por 145.513 descrições de diagnósticos de saúde mental em espanhol, que foram curados em um subconjunto de 79.048 entradas com rótulos de verdade fundamental anotados por especialistas, abrangendo 85 códigos CID específicos. A metodologia seguiu um pipeline abrangente que avaliou três níveis distintos de representação e classificação de texto:

1. Paradigmas de Representação de Texto:

   • Baseados em Frequência: Bolsa de Palavras (BoW) clássica e Frequência de Termo-Frequência Inversa de Documento (TF-IDF).
   • Embebedamento/Redução de Dimensionalidade: Análise Semântica Latente (LSA), Alocação Dirichlet Latente (LDA) e Doc2Vec.
   • Modelos de Linguagem de Grande Escala (LLMs): Embebedamentos contextuais extraídos de modelos de última geração, incluindo e5 large, BioLORD, Llama-3-8B e várias variantes de BERT biomédico em espanhol (por exemplo, roberta-base-biomedical-clinical-es).

2. Estratégias de Classificação:

   • Aprendizado de Máquina: Classificadores Random Forest e XGBoost foram aplicados aos vários conjuntos de características.
   • Aprendizado Profundo: Uma Rede Neural Perceptron Multicamada (MLP) com arquitetura dinamicamente otimizada (profundidade, largura, dropout) foi projetada para lidar tanto com dados esparsos de alta dimensionalidade quanto com embebedamentos densos.
   • Ajuste Fino de Ponta a Ponta: LLMs selecionados (especificamente e5 large) foram ajustados finamente com um cabeçalho de classificação específico para a tarefa. Esta abordagem utilizou uma estratégia de sondagem linear seguida de ajuste fino (LP-FT) com taxas de aprendizado separadas para o backbone e o cabeçalho, juntamente com ajustes na função de perda para abordar o desequilíbrio de classes.

3. Configuração Experimental:
   O estudo empregou uma divisão estratificada de embaralhamento rigorosa (70% treinamento, 15% validação, 15% teste) para preservar a distribuição de probabilidade marginal de rótulos raros. A otimização de hiperparâmetros foi conduzida usando Optuna com otimização bayesiana (TPE) para maximizar a pontuação micro-F1.

Principais Resultados
A avaliação experimental, medida principalmente por micro-F1 (ponderado por frequência) e macro-F1 (média não ponderada), produziu as seguintes constatações:

• Superioridade dos Embebedamentos de Transformadores: Modelos que utilizam embebedamentos baseados em transformadores superaram consistentemente os métodos clássicos baseados em frequência e os modelos de tópicos não supervisionados. Especificamente, o modelo e5 large alcançou o melhor desempenho entre as abordagens de representação fixa quando emparelhado com XGBoost (F1micro ≈ 0,861).
• Sinergias de Classificadores: O estudo identificou combinações ótimas distintas: o XGBoost provou ser mais robusto para embebedamentos contextuais densos, enquanto as MLPs demonstraram eficácia única para dados esparsos de alta dimensionalidade (BoW/TF-IDF), superando conjuntos baseados em árvores nesses contextos específicos.
• Impacto do Ajuste Fino: A transição da extração de características estática para o ajuste fino ativo de ponta a ponta do modelo e5 large produziu o desempenho máximo do estudo. O modelo ajustado finamente alcançou uma pontuação de teste F1micro de 0,866 e uma pontuação F1macro de 0,804, com uma precisão micro de 0,910 e um recall micro de 0,826.
• O Desafio da Cauda Longa: Apesar do alto desempenho geral, uma lacuna significativa permaneceu entre o micro-F1 e o macro-F1. A análise revelou que, enquanto as classes frequentes foram classificadas com alta estabilidade, condições raras (por exemplo, F32.0, F65.0) frequentemente resultaram em precisão zero, indicando que a riqueza semântica por si só não pode compensar totalmente a escassez extrema de dados.

Significado e Contribuições
O artigo afirma que sua contribuição principal reside em demonstrar que a adaptação de Modelos de Linguagem de Grande Escala a nomenclaturas clínicas específicas é essencial para superar a ambiguidade inerente ao discurso psiquiátrico. Ao alavancar um conjunto de dados clínico massivo e do mundo real em espanhol, a pesquisa valida que embebedamentos contextuais específicos do domínio capturam pistas semânticas implícitas e terminologia médica matizada muito melhor do que as abordagens tradicionais de correspondência de palavras-chave.

O estudo destaca que, embora sistemas automatizados possam reduzir significativamente as cargas administrativas e melhorar a consistência da codificação, eles atualmente enfrentam uma limitação fundamental: são otimizados para eficiência administrativa (lidando com transtornos frequentes) em vez de abrangência clínica para condições raras. Os autores concluem que avanços futuros devem focar em melhorar a explicabilidade (via visualização de atenção) e abordar a escassez de dados para diagnósticos raros por meio de técnicas como geração de dados sintéticos ou funções de perda especializadas, em vez de depender exclusivamente da escalabilidade de modelos.