How Compliant is Sepsis Treatment? An Expert-Guided Neuro-symbolic Pipeline for Generating Clinical Compliance Insights

Resumo Técnico: Um Pipeline Neuro-Simbólico Guiado por Especialistas para Conformidade em Sepse

Definição do Problema
Verificar a adesão aos protocolos clínicos baseados em evidências, especificamente aos pacotes (bundles) da Surviving Sepsis Campaign (SSC), é um desafio crítico na área da saúde. Embora os grandes Registros Eletrônicos de Saúde (EHR), como o MIMIC-IV, ofereçam vastos dados para avaliação, esses dados são profundamente não estruturados e inconsistentes. Sistemas tradicionais baseados em regras falham devido à rigidez semântica (ex.: incapacidade de lidar com nomes comerciais como "Zosyn" vs. "Vancomicina"), enquanto redes neurais puras produzem pontuações de "caixa preta" interpretáveis que não podem garantir a adesão aos protocolos de segurança. Há uma necessidade de um sistema que seja simultaneamente robusto ao texto clínico ruidoso e interpretável em relação às regras de segurança.

Metodologia
Os autores propõem um Pipeline Neuro-Simbólico Guiado por Especialistas que integra três componentes distintos para preencher a lacuna entre dados não estruturados e raciocínio lógico:

1. Normalização Semântica (Componente Neural):

   • O pipeline utiliza o MedGemma (um LLM quantizado em 4 bits) para resolver textos clínicos desorganizados, mapeando nomes comerciais, abreviações e sinônimos para um vocabulário clínico fixo.
   • Para mitigar riscos de alucinação, o LLM opera em modo de prompting estruturado zero-shot, mas é estritamente limitado à normalização semântica. Ele não toma decisões clínicas de forma autônoma.
   • Um sistema baseado em Regex com regras de exclusão informadas pelo domínio executa-se em paralelo para verificar as classificações contra informações documentadas de medicamentos.
   • Estratégia de Validação: Os dois sistemas são combinados porque seus erros são complementares. O Regex oferece alta precisão em correspondências explícitas, mas baixa revocação (recall) em sinônimos; o MedGemma generaliza bem, mas corre o risco de alucinação. As divergências são adjudicadas usando validação baseada em embeddings e consulta a especialistas do domínio.

2. Sistema de Inferência Difusa (Componente Simbólico):

   • Eventos normalizados são alimentados em um sistema de inferência difusa de Sugeno que codifica oito regras de pacotes da SSC através de três fases clínicas:
     • Fase 1 (Hora-1): Sequenciamento de cultura de sangue, administração de antibióticos e medição de lactato.
     • Fase 2 (Ressuscitação): Administração de fluidos e início de vasopressores (condicional à hipotensão/hiperlactatemia).
     • Fase 3 (Resposta): Recuperação da Pressão Arterial Média (PAM) e clareamento de lactato.
   • Pontuação Graduada: Diferente de julgamentos binários, o sistema utiliza funções de pertinência de meio-Gauss para gerar pontuações de conformidade no intervalo $[0, 1]$. Isso reflete a realidade clínica, onde um tratamento realizado aos 62 minutos não é categoricamente diferente de um realizado aos 58 minutos.
   • Orientação de Especialistas: Especialistas do domínio definem as fronteiras de decisão, os parâmetros das funções de pertinência e as prioridades das regras (ex.: priorizando a medição inicial de lactato sobre o sequenciamento de cultura).

3. Coorte de Dados:

   • O sistema foi aplicado a 2.438 episódios de sepse derivados do conjunto de dados MIMIC-IV v3.1 (amostrados de 17.926 pacientes).
   • O pipeline processa medicamentos, microbiologia, exames laboratoriais, sinais vitais e perfis estáticos com alinhamento de carimbo de tempo (timestamp) ao nível de minuto.

Principais Contribuições

• Inovação Arquitetural: O artigo apresenta uma arquitetura híbrida onde o LLM atua exclusivamente como um normalizador semântico, enquanto um motor difuso determinístico lida com o raciocínio crítico de segurança. Isso evita o problema da "caixa preta" de abordagens puramente neurais e a fragilidade de sistemas puramente simbólicos.
• Lógica Difusa Guiada por Especialistas: A introdução de pontuações de conformidade graduadas via lógica difusa de Sugeno permite uma avaliação matizada da adesão ao protocolo, indo além das métricas binárias de passar/falhar.
• Estrutura de Validação: Um processo de validação rigoroso combinando regex, LLM, verificação baseada em embeddings e adjudicação por especialistas humanos para garantir a classificação de alta confiança de entidades clínicas.

Resultados Quantitativos

• Concordância de Classificação: Os sistemas Regex e MedGemma concordaram em 94,26% das strings de medicamentos e 60,62% das combinações de microbiologia. O Kappa de Cohen ($\kappa = 0,65$) indicou concordância substancial, confirmando que os classificadores são complementares.
• Pontuações de Conformidade:
  • A pontuação média geral de conformidade em toda a coorte foi de 36,7% (mediana de 37,5%).
  • O tempo de antibiótico (Regra 2) foi o colapso mais crítico, com uma média de 0,24 e apenas 13% dos episódios atendendo ao limiar rigoroso de uma hora.
  • Culturas de sangue (Regra 1) e Medição de lactato (Regra 3) também ficaram abaixo de 50% (0,36 e 0,39, respectivamente).
  • Regras condicionais para fases posteriores (ex.: recuperação da PAM, Regra 7) mostraram pontuações mais altas (0,97), embora os autores notem que isso provavelmente reflete o viés de sobrevivência (pacientes que sobrevivem tempo suficiente para atingir este estágio).
• Cascata Clínica: Uma queda de 51% significativa foi observada no limiar de lactato elevado ($\ge 2,0$ mmol/L), indicando níveis de lactato não medidos ou não documentados.
• Desfechos:
  • Tempo de Permanência na UTI (LOS): Grupos de alta conformidade tiveram uma mediana de permanência na UTI de 3,8 dias, comparado a 5,1 dias para os grupos de baixa conformidade.
  • Tempo de Antibiótico: Pacientes que receberam antibióticos dentro de 30–60 minutos tiveram uma mediana de LOS de 2,95 dias, subindo para 4,74 dias para atrasos superiores a seis horas.

Significância e Alegações
O artigo afirma que esta abordagem neuro-simbólica consegue preencher a lacuna entre a interpretabilidade exigida para a tomada de decisão clínica crítica de segurança e a flexibilidade necessária para lidar com dados de EHR não estruturados. Ao restringir o LLM à normalização e delegar o raciocínio a um sistema difuso, o pipeline produz insights de conformidade graduais e interpretáveis que se alinham com as perspectivas de especialistas do domínio.

Os autores enfatizam que o sistema identifica falhas sistêmicas no pacote "Hora-1" como o principal motor da permanência prolongada nos cuidados críticos. Eles declaram explicitamente que o pipeline é domínio-geral e pode ser adaptado para outros protocolos (ex.: AVC, cuidados cardíacos), desde que as diretrizes estejam bem definidas e especialistas do domínio estejam disponíveis para estabelecer os limites.

Limitações e Trabalhos Futuros
Os autores reconhecem modestamente algumas limitações:

• Mortalidade: O estudo mediu a adesão ao protocolo, não o impacto na sobrevivência. Pontuações altas em estágios posteriores refletem o viés de sobrevivência, não a modelagem de desfecho.
• Janelas de Tempo: A janela atual ancorada no início (onset-anchored) penaliza antibióticos administrados antes da admissão na UTI, o que pode não refletir o início real do cuidado da sepse.
• Dependência de Especialistas: As fronteiras difusas dependem atualmente inteiramente da entrada de especialistas; trabalhos futuros visam integrar a calibração baseada em dados para otimizar os parâmetros de pertinência, preservando as prioridades das regras.
• Escalabilidade: A dependência de especialistas do domínio pode limitar a escalabilidade em ambientes de recursos limitados, embora modelos generativos em maturação possam eventualmente reduzir essa dependência.