Resumo Técnico: VitalAgent

Declaração do Problema

Os sistemas atuais de saúde móvel (mHealth) que utilizam dispositivos vestíveis (ECG/PPG) enfrentam limitações significativas na transformação de fluxos fisiológicos contínuos em insights acionáveis. As abordagens existentes geralmente dependem de pipelines específicos para tarefas que mapeiam sinais para saídas predefinidas (por exemplo, estágios de sono, detecção de arritmia) ou utilizam Modelos de Linguagem de Grande Porte (LLMs) operando sobre resumos textuais estáticos e pré-computados. Esses sistemas carecem da capacidade de:

1. Suportar Raciocínio Temporal: Eles lutam com consultas em linguagem natural que exigem recuperação, comparação temporal e agregação sobre históricos longitudinais (por exemplo, "Meu ritmo cardíaco em repouso aumentou recentemente?").
2. Manter Contexto Persistente: Eles não conseguem calcular evidências personalizadas sob demanda ou manter um contexto de monitoramento entre interações, pois não possuem acesso direto aos sinais brutos.
3. Habilitar Monitoramento Proativo: Trabalhos anteriores são amplamente reativos, respondendo apenas a consultas do usuário, enquanto sistemas do mundo real exigem rastreamento contínuo de mudanças de estado para destacar alertas relevantes.

Metodologia: Framework VitalAgent

Os autores propõem o VitalAgent, um framework agencial unificado e aumentado por ferramentas, projetado para monitoramento fisiológico baseado em ECG e PPG. Ele integra resposta a perguntas reativa (QA) e monitoramento proativo através de três componentes principais:

1. Memória Fisiológica

O VitalAgent mantém uma memória temporal compacta ($M_t$) definida como uma tupla de janelas de sinal bruto ($x_{<t}$), rastreadores de estado de saúde em streaming ($s_{<t}$) e registros de alertas proativos ($e_{<t}$).

• Sinais Brutos: Armazena janelas de ECG/PPG indexadas por tempo.
• Estados Derivados: Inclui recursos computados como frequência cardíaca, intervalos batimento-a-batimento, medidas de variabilidade, pontuações de qualidade do sinal e rótulos de ritmo.
• Histórico de Alertas: Armazena alertas acionados, regras e justificativas para suportar consultas de acompanhamento.
• Mecanismo de Atualização: A memória é atualizada continuamente à medida que novos sinais, estatísticas e alertas chegam, permitindo que o sistema retenha contexto para os modos reativo e proativo.

2. Camada de Raciocínio Unificada

Uma interface de política ($\Pi$) orquestra o comportamento do agente usando um planejador baseado em LLM, um módulo de validação de evidências e um gerador de respostas.

• Modo Reativo: Acionado por consultas do usuário. O planejador seleciona ferramentas com base na consulta e na memória atual para recuperar sinais, realizar análise e gerar respostas.
• Modo Proativo: Acionado por atualizações fisiológicas em streaming. O sistema processa janelas não sobrepostas de comprimento fixo (10 segundos), extrai medições e avalia critérios de alerta (bradicardia extrema, taquicardia extrema/sustentada). Um juiz baseado em LLM é executado a cada 20 janelas para reduzir alertas perdidos.
• Validação e Replanejamento: O sistema valida evidências em quatro dimensões: completude do plano, sucesso da ferramenta, presença de campos de saída e consistência entre ferramentas. Se a validação falhar, o sistema replaneja re-promptando o LLM com feedback.

3. Interface de Ferramentas Estruturada

O VitalAgent utiliza um registro de 29 ferramentas modulares categorizadas em cinco grupos funcionais, permitindo computação dinâmica sobre sinais brutos em vez de depender de estatísticas pré-computadas:

• Ferramentas de Análise de Sinal (13): Computações determinísticas em janelas brutas (por exemplo, analyze_heart_rate, ecg_diagnosis).
• Ferramentas de Processamento Específico de Dados (3): Lidam com heterogeneidade entre conjuntos de dados (por exemplo, normalização, alinhamento de janelas).
• Ferramentas de Consulta de Registros (6): Acesso a metadados e enumeração de registros.
• Ferramentas de Contexto Proativo (5): Recuperação de registros de alertas armazenados e explicações.
• Ferramentas de Conhecimento Médico (2): Acesso a conhecimento biomédico externo (MedlinePlus, PubMed).

Principais Contribuições

1. Framework VitalAgent: Um novo sistema mHealth agencial que unifica QA reativa e monitoramento proativo por meio de memória compartilhada e invocação dinâmica de ferramentas.
2. Conjunto de Dados VitalBench: O primeiro benchmark longitudinal que unifica dados de ECG e PPG para avaliação reativa e proativa. Ele compreende:
   • 1.862 pares de QA: Divididos em Nível A (local de janela, instantâneo) e Nível B (longitudinal, exigindo agregação temporal).
   • 90,2 horas de gravações contínuas: De quatro conjuntos de dados (Icentia11k, AF-PPG-ECG, PPG-DaLiA, WESAD) cobrindo domínios cardíacos, de atividade e estresse.
3. Validação Empírica: Demonstrando que o uso dinâmico de ferramentas e memória de longo prazo superam significativamente as linhas de base existentes.

Resultados Experimentais

Resposta a Perguntas Reativa

Avaliado no VitalBench em um cenário "livre de vazamento" (onde o modelo deve derivar recursos de sinais brutos):

• Desempenho: O VitalAgent alcançou uma precisão geral de 0,860 no Nível A e 0,557 no Nível B.
• Comparação: Superou a linha de base derivada de sinal mais forte (LifeAgent*) em 31,5% (Nível A) e 25,7% (Nível B). Também superou significativamente as linhas de base baseadas em prompt (Health-LLM) e agentes estilo ReAct (PHIA).
• Ablação: A remoção do planejador semântico causou uma queda substancial na precisão (por exemplo, o Nível A geral caiu de 0,860 para 0,701), destacando que a seleção de ferramentas dependente da pergunta é crítica. Os módulos de validação e replanejamento forneceram ganhos marginais (<1,2%), mas serviram como salvaguardas para casos extremos.
• Análise de Erros: As falhas foram principalmente devidas a incompatibilidades de resposta (75,4%) em vez de erros de seleção de ferramentas. Erros comuns envolveram raciocínio numérico complexo (por exemplo, identificar picos de frequência cardíaca) e distinguir entre consultas locais de janela e longitudinais.

Monitoramento Proativo

• Comportamento de Alerta: Adicionar um juiz LLM à detecção baseada em regras reduziu a latência mediana de alerta de 220s para 105s, embora tenha aumentado a taxa de alerta falso (FAR/h) de 1,81 para 2,95, ilustrando uma compensação entre tempestividade e carga de alertas.
• Classificação de Ritmo: O pipeline alcançou uma precisão balanceada de 66,7% para classificação de ritmo FA por janela entre modalidades ECG e PPG, com uma sensibilidade de 75,5%.

Significado e Alegações

O artigo afirma que o VitalAgent representa um passo em direção a sistemas de saúde agentes que unificam monitoramento contínuo com raciocínio interativo. Seu significado reside em:

• Uso Dinâmico de Ferramentas: Demonstrar que a seleção dinâmica de ferramentas para raciocínio fisiológico dependente de consulta sobre sinais brutos é superior à dependência de recursos pré-computados ou resumos estáticos.
• Contexto de Longo Prazo: Destacar a necessidade de memória fisiológica longitudinal tanto para responder a perguntas temporais complexas quanto para habilitar alertagem proativa confiável.
• Protocolo Arquitetônico: O framework é projetado para ser compatível com arquiteturas emergentes de Protocolo de Contexto de Modelo (MCP), onde os dados brutos permanecem no dispositivo e o LLM orquestra operadores fisiológicos modulares em vez de acessar diretamente dados de sensores.

Os autores reconhecem limitações, incluindo o foco nas modalidades ECG/PPG, a dependência de regras predefinidas para gatilhos proativos e a avaliação em conjuntos de dados de benchmark controlados em vez de implantações ruidosas do mundo real. Eles posicionam o VitalAgent como uma ferramenta de apoio à decisão, não um sistema de diagnóstico.