PATHFinder Agent for Tailored Prenatal Care

Resumo Técnico: Agente PATHFinder para Cuidados Pré-natais Personalizados

Problema
O cuidado pré-natal é um serviço preventivo crítico, mas o modelo tradicional de 12 a 14 visitas presenciais frequentemente falha em abordar os determinantes sociais da saúde (ex: instabilidade de moradia, trabalho inflexível) que impedem o acesso dos pacientes ao cuidado. Além disso, o Colégio Americano de Obstetras e Ginecologistas (ACOG) introduziu novas diretrizes, o Plano para Cuidados Adequados e Personalizados (PATH), que defende planos de cuidados flexíveis e específicos para cada paciente. No entanto, implementar o PATH é complexo tanto para clínicos quanto para pacientes; os clínicos enfrentam o esgotamento (burnout) ao lidar com necessidades sociais não atendidas com recursos insuficientes, enquanto pacientes com barreiras sociais podem considerar visitas adicionais um fardo, em vez de algo útil. Há uma necessidade de um sistema que possa operacionalizar essas diretrizes personalizadas, integrar a correspondência de recursos sociais e manter a supervisão clínica sem sobrecarregar os profissionais.

Metodologia e Design do Sistema
Os autores propõem o PATHFinder Agent, um sistema de agente conversacional de ponta a ponta projetado para coletar o contexto do paciente, sintetizar planos de cuidados individualizados e apresentar recursos comunitários. O sistema foi co-projetado por obstetras certificados, parteiras e cientistas da computação para garantir validade clínica e viabilidade técnica.

• Arquitetura: O sistema utiliza um frontend React comunicando-se com um backend FastAPI. O núcleo do agente consiste em um Modelo de Linguagem de Grande Escala (LLM) pareado com um executor de ferramentas, um classificador de supervisão, um serviço FHIR e um gerador de relatórios. O estado da conversa é persistido em um banco de dados relacional.
• Conjunto de Ferramentas: O agente é equipado com 13 ferramentas em quatro categorias:
  • Médica: Inclui um calculador de TOLAC (Tentativa de Parto Vaginal após Cesariana) e uma ação de "Delegar ao Clínico".
  • Necessidades Sociais: Uma interface hierárquica para consultar recursos do Michigan 211 (alimentação, moradia, transporte, etc.) por subcategoria e código postal (ZIP code).
  • Personalização: Consulta um LLM secundário para gerar perguntas de acompanhamento contextualizadas.
  • Relatórios: Constrói incrementalmente resumos do paciente, resumos clínicos, cronogramas de visitas e listas de recursos.
• Fluxo de Trabalho de Quatro Estágios:
  1. Triagem: Os pacientes completam um formulário padronizado capturando dados demográficos, histórico médico, idade gestacional e fatores sociais.
  2. Interação Dinâmica: O agente engaja-se em um diálogo estruturado e aberto. Utiliza uma interface "Formulário+Chat" onde um LLM secundário gera elementos de interface intermediários (botões, caixas de seleção) para reduzir a fadiga de entrada de texto, ao mesmo tempo em que elicia necessidades sociais não atendidas e preferências.
  3. Síntese do Plano: O agente gera um relatório preliminar contendo um resumo para o paciente, um resumo clínico, recomendações de cronograma de visitas e recursos curados do Michigan 211.
  4. Supervisão Clínica: Um clínico revisa o rascunho, valida o plano e pode aprovar ou editar o conteúdo antes da finalização.

Avaliação e Resultados
Os autores avaliaram LLMs de fronteira (GPT-5.2, GPT-4o, Gemini 2.5 Pro, Gemini 2.5 Flash) utilizando perfis de pacientes sintéticos e rubricas curadas por especialistas. A avaliação focou em cinco dimensões clínicas:

1. Frequência de visitas
2. Serviços (testes, recomendações)
3. Tempo para testes antenatais
4. Tempo para ultrassom de crescimento
5. Modalidade de cuidado (presencial vs. telemedicina)

Principais Descobertas:

• Desempenho: O GPT-5.2 alcançou a maior pontuação média na rubrica com 77,6%, seguido pelo Gemini 2.5 Pro (71,5%), Gemini 2.5 Flash (62,0%) e GPT-4o (57,25%).
• Variância Dimensional: "Frequência de visitas" foi a dimensão mais fácil para todos os modelos preverem corretamente. Por outro vez, "testes antenatais" e "recomendação de serviços" foram as mais difíceis, mostrando as maiores lacunas de desempenho entre os modelos.
• Implicações: Os resultados indicam que, embora os modelos atuais mostrem potencial, medidas de supervisão robustas (tanto baseadas em LLM quanto conduzidas por humanos) são essenciais para prevenir erros em recomendações clínicas críticas.

Principais Contribuições

1. PATHFinder Agent: Um novo sistema de agentes que operacionaliza as diretrizes PATH do ACOG, preenchendo a lacuna entre diretrizes médicas e integração de recursos sociais.
2. Design de Interface Híbrida: Um modelo de interação "Formulário+Chat" que equilibra a coleta de dados estruturados com acompanhamentos conversacionais adaptativos, projetado para mitigar a fadiga do paciente.
3. Fluxo de Trabalho com Clínico no Ciclo (Clinician-in-the-Loop): Um processo estruturado de quatro estágios que garante que todos os planos de cuidado gerados passem por validação humana, abordando preocupações de segurança e implementação levantadas na literatura recente de IA médica.
4. Benchmarking Empírico: Uma avaliação comparativa de LLMs de última geração em dimensões específicas do cuidado pré-natal, destacando capacidades e limitações atuais em raciocínio médico complexo.

Significância e Alegações
O artigo posiciona o PATHFinder Agent como um potencial facilitador para a implantação ampla de diretrizes de cuidados pré-natais personalizados. Os autores afirmam que o sistema pode apoiar a transição de um modelo rígido e focado em muitas visitas para uma abordagem flexível e centrada no paciente que aborda tanto os aspectos médicos quanto os determinantes sociais da saúde.

Os autores mantêm uma postura modesta quanto à implementação. Eles declaram explicitamente que o sistema é projetado para apoiar, não substituir, os clínicos. O artigo enfatiza que trabalhos futuros devem incluir garantias formais de precisão, estudos com participantes humanos e ensaios clínicos randomizados antes que o sistema possa ser considerado para implantação clínica no mundo real. A contribuição atual é enquadrada como um protótipo técnico e um framework de avaliação que identifica lacunas fundamentais (particularmente em recomendações de testes antenatais) que devem ser abordadas para garantir segurança e eficácia.