Resumo Técnico: PathWISE – Aprendizado de Ontologia de Triagem de Vias Oncológicas Multi-Agente a partir de Fluxogramas Clínicos

Declaração do Problema

As vias clínicas, essenciais para padronizar a triagem e o tratamento do câncer, são predominantemente disseminadas como fluxogramas visuais. Esses documentos codificam lógica de decisão complexa por meio de topologia espacial, direcionalidade de setas, ramificação condicional, codificação por cores e peso da fonte. Embora ricos em informações para interpretação humana, esses artefatos visuais são inacessíveis a sistemas computacionais. Abordagens de Processamento de Linguagem Natural (PLN) baseadas apenas em texto falham em recuperar as semânticas espaciais e topológicas necessárias para execução por máquina. Consequentemente, persiste uma lacuna entre o conhecimento de vias elaborado por especialistas e as representações legíveis por máquina (como a Linguagem de Qualidade Clínica HL7 ou CQL) necessárias para o Suporte à Decisão Clínica (CDS) automatizado e auditável. Sistemas existentes carecem de capacidades de ingestão visual ou falham em produzir saídas verificadas por compilador e conformes a padrões, adequadas para implantação em fluxos de trabalho de Prontuário Eletrônico do Paciente (EHR).

Metodologia: O Pipeline PathWISE

O PathWISE é um pipeline de cinco fases projetado para transformar fluxogramas visuais não computáveis em bibliotecas CQL validadas e executáveis, implantáveis como serviços FHIR CDS Hooks. A arquitetura emprega uma abordagem híbrida, confinando a inferência não determinística de Modelos de Linguagem de Grande Porte (LLM) à extração de conhecimento e geração de rascunhos, enquanto confia em matemática de grafos determinística e compiladores padrão para verificação.

O pipeline opera da seguinte forma:

1. Análise Visual (Agente de Visão): Um modelo de linguagem-vision processa renderizações PNG de PDFs de vias para extrair um grafo direcionado tipado $G=(V, E)$. Os nós são codificados com tipos (por exemplo, diamante de decisão, bloco de ação), coordenadas normalizadas, atributos visuais (cor de fundo, peso da fonte) e texto extraído. As arestas são identificadas explicitamente com base em conectores de seta. A saída é restringida por um esquema Pydantic estrito para garantir consistência estrutural.
2. Auditoria Determinística de Grafos (Auditor DFS): Um algoritmo determinístico de Busca em Profundidade (DFS), não baseado em LLM, analisa o grafo extraído. Ele calcula diagnósticos estruturais (nós órfãos, becos sem saída, ciclos) e enumera todas as jornadas válidas do paciente ($P(G)$) como sequências ordenadas de IDs de nós. Esta etapa garante que a lógica de roteamento a jusante cubra exatamente as jornadas codificadas no diagrama de origem.
3. Auditoria Semântica CQL (Agente de Auditoria CQL): Um agente LLM avalia a computabilidade de cada nó. Ele tenta traduzir o conteúdo do nó em expressões CQL 1.5 e atribui um rótulo indicando validade. Nós que falham nos critérios (devido a ambiguidade, complexidade, erros ou inconsistências de formato) são categorizados. Esta auditoria condiciona a geração subsequente e fornece uma análise de lacunas legível por máquina para governança clínica.
4. Geração e Verificação CQL (Gerador e Compilador como Crítico):
   • Definições: Um agente Gerador CQL produz definições CQL FHIR R4. Ele mapeia conceitos cobertos por dicionário para pares exatos de código do sistema, atribui identificadores sentinelas para conceitos não mapeados (evitando alucinações) e insere marcadores false com comentários de governança para nós não computáveis.
   • Roteamento: Um agente Roteador de Grafos constrói lógica de roteamento com base nas jornadas enumeradas da Fase 2, usando conjunções de definições de nós para formar predicados de caminho.
   • Verificação: Um compilador Java determinístico de CQL para ELM atua como um "crítico". Se o CQL gerado falhar na compilação, o erro é injetado em um prompt de reparo para regeneração (até três iterações). Isso substitui a crítica baseada em modelos estocásticos por verificação binária fundamentada em padrões.
5. Implantação CDS Hooks: As bibliotecas CQL validadas são implantadas como um serviço FastAPI. Ao disparar uma visualização de paciente, o serviço avalia a lógica de roteamento contra recursos FHIR, retornando um cartão CDS estruturado com ações recomendadas, fundamentação e flags para revisão humana se critérios não computáveis forem encontrados.

Contribuições Principais

• Pipeline Visual para Execução: O PathWISE é o primeiro sistema a abranger o pipeline completo, desde documentos visuais de vias clínicas até serviços CDS implantados e auditáveis, abordando a lacuna onde a análise visual carece de implantabilidade clínica e a codificação de diretrizes carece de compatibilidade com FHIR.
• Padrão Compilador como Crítico: O artigo introduz um padrão de design onde um compilador Java determinístico substitui críticos LLM para verificação. Isso garante que códigos de terminologia alucinados ou sintaxe malformada resultem em erros de compilação, em vez de recomendações plausíveis mas incorretas, fornecendo uma garantia binária de aprovação/reprovação.
• Arquitetura Híbrida Multi-Agente: O sistema separa a extração de conhecimento (baseada em LLM) da execução clínica (determinística). Isso confina o comportamento não determinístico a uma fase de autoria revisável, enquanto transfere verificações de correção para componentes determinísticos.
• Transparência de Governança: O sistema expõe explicitamente nós "NÃO COMPUTÁVEIS" e lacunas de governança (por exemplo, ambiguidade de conteúdo, inconsistências de formato) como itens de revisão, em vez de tentar forçar automação incorreta, preservando um rastro de auditoria com intervenção humana.

Resultados

O framework foi avaliado em cinco vias oncológicas do NHS do Reino Unido (colorretal, pulmão, pele, trato gastrointestinal superior e mama), cobrindo uma gama de complexidades estruturais (7 a 73 nós; 3 a 234 jornadas enumeradas). Três configurações foram testadas: Apenas Claude, Apenas Gemini e Híbrida (Gemini para visão, Claude para CQL).

• Sucesso de Compilação: O PathWISE alcançou 100% de sucesso de compilação sintática em todas as 15 bibliotecas geradas (5 vias × 3 configurações). Nenhuma biblioteca exigiu mais de duas iterações de crítico-compilador.
• Desempenho da Auditoria Semântica: As taxas de aprovação para computabilidade em nível de nó variaram por configuração. A configuração "Apenas Claude" alcançou a maior taxa de aprovação (48,9%), enquanto "Apenas Gemini" foi a mais conservadora (6,0% de aprovação, 55 nós NÃO COMPUTÁVEIS). A configuração "Híbrida" equilibrou essas, alcançando 37,4% de taxa de aprovação.
• Achados de Governança: O sistema identificou 544 achados estruturados de governança em todas as configurações. "Ambiguidade de Conteúdo" foi a categoria dominante (aproximadamente 78–84% dos achados), refletindo a prevalência de linguagem clínica subjetiva. Achados de "Inconsistência de Formato" confirmaram que sinais visuais de urgência (por exemplo, fundos vermelhos) foram capturados com sucesso, o que sistemas baseados apenas em texto perdem.
• Segurança de Terminologia: O sistema produziu zero códigos de terminologia alucinados para conceitos cobertos por dicionário. Conceitos não correspondidos receberam identificadores sentinelas para revisão humana.
• Prontidão para Implantação: Em testes com 25 registros sintéticos de pacientes FHIR R4, a configuração Híbrida produziu cartões CDS estruturalmente válidos para todas as invocações. Embora 72% dos registros tenham alcançado roteamento totalmente automatizado, os 28% restantes expuseram corretamente flags específicas de revisão humana para critérios não computáveis, demonstrando prontidão de execução sem comprometer a segurança.
• Validação: As contagens de nós concordaram exatamente com a análise independente da NHS England AIQCoP em quatro das cinco vias, validando a precisão da análise visual.

Significado e Alegações

O artigo alega que o PathWISE demonstra um padrão de design prático para automação de fluxos de trabalho clínicos de alto risco: separar a extração de conhecimento baseada em modelos de verificação determinística.

Os autores afirmam que, embora os LLMs sejam eficazes para interpretar estrutura visual e rascunhar código, eles são insuficientes para as verificações finais de correção necessárias em ambientes clínicos regulamentados. Ao usar um compilador determinístico como guardião, o PathWISE garante que a saída final seja executável e conforme aos padrões, mesmo que o material de origem contenha ambiguidades. O sistema não alega resolver todas as ambiguidades clínicas automaticamente; em vez disso, posiciona-se como uma ferramenta para tradução auditável, expondo lacunas de governança e critérios não computáveis para revisão clínica enquanto automatiza a conversão das partes computáveis da via em lógica de suporte à decisão interoperável.

O trabalho é modesto em seu escopo, reconhecendo limitações como a necessidade de curadoria manual de recursos de terminologia e a incapacidade de resolver automaticamente critérios de via ambíguos. Ele enquadra o PathWISE como um passo para fechar a lacuna entre conhecimento clínico visual e sistemas executáveis por máquina, em vez de um substituto completo para o julgamento clínico humano.