Resumo Técnico: SCEPTER – De Texto a Recomendações Acionáveis através de Raciocínio de Evidências Multiobjetivo

Declaração do Problema

A tomada de decisão clínica baseada em evidências é cada vez mais dificultada pela sobrecarga de informações. Embora os especialistas devam integrar dados específicos do caso com um corpo crescente de literatura científica, consultas clínicas complexas em plataformas como o PubMed frequentemente retornam centenas ou milhares de publicações. Sob restrições de tempo, os clínicos não conseguem triar manualmente, reconciliar achados conflitantes ou sintetizar esse volume de evidências em recomendações acionáveis. Os atuais Sistemas de Apoio à Decisão Clínica (CDSS) e aplicações de Modelos de Linguagem de Grande Escala (LLM) sofrem de diversas limitações: frequentemente dependem de uma simples classificação de relevância sem modelar hierarquias de qualidade de evidência; tendem a ocultar achados contraditórios dentro de resumos em vez de evidenciá-los; carecem de mecanismos fundamentados para selecionar a evidência mais informativa de grandes conjuntos de documentos; e frequentemente carecem de transparência, tornando difícil rastrear as recomendações até fontes científicas específicas.

Metodologia: O Framework SCEPTER

Os autores propõem o SCEPTER (Single-Case Evidence-driven PubMed-To-rEcommendation Reasoner), um pipeline unificado que transforma descrições de casos clínicos em texto livre em recomendações rastreáveis e baseadas em evidências. O framework opera através de um fluxo de trabalho sequencial: Recuperação → Pontuação → Deduplicação & Detecção de Contradição → Seleção de Pareto → Interpretação de Evidências.

1. Estruturação de Caso e Geração de Hipóteses

O processo começa convertendo a narrativa de texto livre de um clínico ($C_{raw}$) em um objeto estruturado contendo sintomas, medicamentos, contexto clínico e hipóteses iniciais usando um LLM zero-shot. O LLM então gera um conjunto de hipóteses clínicas diversas e concorrentes ($\mathcal{H}$) categorizadas como mecanísticas (processos causais), de intervenção (eficácia de tratamento) ou diagnósticas (condições alternativas). Para cada hipótese, o sistema gera múltiplas variantes de consulta PICO (Paciente, Intervenção, Comparador, Desfecho) para mitigar discrepâncias de vocabulário em buscas por palavras-chave.

2. Recuperação e Reclassificação Semântica

O SCEPTER emprega uma estratégia de recuperação de quatro etapas:

• Busca por Palavras-Chave: Busca inicial no PubMed com filtragem de intervalo de anos.
• Reclassificação Semântica: Utiliza PubMedBERT (NeuML/pubmedbert-base-embeddings) para computar embeddings de vetores densos. Um vetor de consulta composto é construído concatenando o caso estruturado e todas as variantes PICO. A similaridade semântica é calculada via similaridade de cosseno entre a consulta e os resumos dos artigos (suplementada por uma pontuação Jaccard de título para resumos esparsos).
• Filtragem de Relevância: Um portão de limiar rígido remove artigos com baixos escores semânticos, com um multiplicador de recência ($\rho_k$) aplicado para preferir evidências recentes sem sobrepor estudos clássicos mais antigos.
• Triagem por LLM: Uma chamada de LLM eficiente em termos de tokens realiza uma verificação binária de relevância no par (artigo, hipótese) para filtrar contextos clinicamente inapropriados (ex: população ou indicação errada) antes da extração total de alegações (claims).

3. Extração de Alegações e Pesagem de Nível de Evidência (ELW)

Os artigos recuperados são decompostos em alegações atômicas e verificáveis. Cada alegação recebe:

• Pontuação de Relevância ($R$): Aplicabilidade específica ao caso.
• Pontuação de Validação ($V$): Qualidade metodológica derivada do resumo.
• Peso de Nível de Evidência ($\omega_e$): Um ajuste multiplicativo baseado na hierarquia do Centro de Oxford para Medicina Baseada em Evidências (OCEBM) (ex: Metanálises = 1.0, Opinião de Especialista = 0.25). Isso garante que designs de estudo de alta qualidade sejam priorizados em relação a relatórios bem escritos, mas metodologicamente fracos.

4. Deduplicação e Detecção de Contradição

• Deduplicação: Utiliza similaridade de cosseno TF-IDF para fundir alegações quase idênticas, garantindo que a força da evidência não seja artificialmente inflada por múltiplos artigos relatando o mesmo achado.
• Detecção de Contradição: Identifica alegações conflitantes verificando a similaridade tópica (dentro de uma janela de cosseno específica) combinada com polaridades de relacionamento opostas (ex: "aumenta" vs. "diminui"). Ao contrário de sistemas que fazem a média dos conflitos, o SCEPTER evidencia essas contradições explicitamente como saídas de primeira classe.

5. Seleção de Pareto Multiobjetivo

Em vez de uma simples classificação de média ponderada, a seleção de alegações é formulada como um problema de maximização de três objetivos ($R, E, V$). O framework identifica a fronteira de Pareto-ótima — o conjunto de alegações não dominadas onde nenhuma alegação é superior em todas as dimensões. Esta abordagem preserva a diversidade da evidência, retendo alegações que podem ser altamente relevantes, mas metodologicamente mais fracas, ao lado de alegações altamente rigorosas, porém menos específicas. Uma classificação em camadas (Rank 1, Rank 2, etc.) é usada para ordenar o pool de evidências.

6. Síntese e Recomendação

A evidência curada é sintetizada em uma narrativa estruturada cobrindo achados consistentes, evidências contestadas e lacunas. Recomendações acionáveis são geradas, classificadas por força de evidência (Forte, Moderada, Fraca) com base nos designs de estudo que as sustentam. Um módulo de Q&A de Artigos (baseado em RAG) permite que os clínicos questionem interativamente publicações de suporte específicas para detalhes específicos do caso.

Principais Contribuições

1. Pipeline de Ponta a Ponta: Um framework completo que transforma casos clínicos de texto livre em recomendações baseadas em evidências e rastreáveis.
2. Seleção Multiobjetivo: Um mecanismo de Pareto-otimalidade que otimiza conjuntamente a relevância para o caso, a qualidade metodológica e o suporte da literatura, evitando as armadilhas da classificação de pontuação única.
3. Análise Explícita de Contradição: Um framework que identifica, quantifica e reporta achados conflitantes em vez de suprimi-los, aumentando a transparência.
4. Exploração Consciente de Proveniência: Um sistema onde cada recomendação está vinculada a alegações específicas e publicações de origem, suportado por um módulo de Q&A interativo para interrogação profunda da literatura.

Resultados Experimentais

O framework foi avaliado em 150 estudos de casos clínicos envolvendo desafios de saúde mental estudantil (ansiedade, distúrbios do sono, etc.).

• Eficiência de Compressão: O sistema reduziu um espaço de busca inicial médio de 576 artigos para 53 artigos retidos, depois para 7 alegações Pareto-ótimas e, finalmente, para 3 recomendações acionáveis. Isso representa uma razão de compressão global de 192:1.
• Preservação da Diversidade: Apesar da compressão significativa, a evidência retida manteve alta diversidade, com uma Entropia de Tipo de Evidência (ETE) de 0.901 e um hipervolume de Pareto de 0.21.
• Avaliação por Especialistas: Cinco psicólogos avaliaram o sistema, resultando em pontuações altas em todas as métricas:
  • Potencial de Economia de Tempo: 5.0/5
  • Adequação da Evidência: 4.9/5
  • Utilidade da Contradição: 4.9/5
  • Utilidade Geral: 4.9/5
• Estudo de Ablação: Comparando o SCEPTER contra um baseline (sem filtragem/Pareto) e uma variante intermediária (filtragem, mas com ranking top-K), demonstrou-se que a seleção baseada em Pareto aumentou significamente a diversidade da evidência (ETE de 0.567 para 0.901) e a utilidade para especialistas (de 4.3 para 4.9), provando que um conjunto de evidências menor e mais diverso produz melhores recomendações do que um conjunto maior e homogeneizado.

Significância e Alegações

O artigo postula que o SCEPTER aborda a lacuna crítica entre a recuperação de informação e a tomada de decisão clínica acionável. Ao integrar raciocínio multiobjetivo, análise de contradição e interrogação interativa da literatura, o framework fornece uma solução transparente, rastreável e eficiente para a sobrecarga de informações. Os autores afirmam que sua abordagem responde com sucesso a quatro questões de pesquisa centrais:

1. Como transformar grandes volumes de literatura em recomendações compactas e acionáveis (via compressão em múltiplos estágios).
2. Como considerar conjuntamente a qualidade e a relevância da evidência (via otimização de Pareto).
3. Como identificar e comunicar evidências contraditórias (via detecção explícita de contradição).
4. Como manter a rastreabilidade ao permitir a exploração interativa (via arquitetura consciente de proveniência e Q&A).

O estudo conclui que, embora o sistema alcance uma redução substancial de dados, ele o faz sem sacrificar a diversidade ou a qualidade da evidência subjacente, ofereando uma ferramenta prática para especialistas com tempo limitado tomarem decisões fundamentadas e baseadas em evidências.