Multi-Agent AI System for Radiology Report Structuring and Quality Assurance with Independent Radiologist Evaluation
Este estudo demonstra que um sistema de IA multiagente implantado localmente estrutura relatórios radiológicos em seções anatômicas padronizadas e realiza verificações de garantia de qualidade com desempenho favorável, conforme validado por avaliação de radiologista independente.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo do diagnóstico por imagem, o relatório de um radiologista é uma ponte crítica entre um exame e o cuidado ao paciente. Quando um médico solicita uma tomografia computadorizada (TC) de tórax, abdômen ou pelve, um especialista deve traduzir as imagens em uma narrativa escrita descrevendo o que vê. Esses relatórios são vitais, mas frequentemente são escritos em texto livre, onde um médico pode listar achados por parte do corpo, enquanto outro os agrupa pela ordem em que os percebeu. Essa falta de uma estrutura padronizada pode dificultar para outros médicos encontrarem detalhes específicos rapidamente, potencialmente levando à perda de informações ou ao desperdício de tempo procurando respostas. Além disso, como esses relatórios são ditados em sistemas de fala para texto, podem conter erros sutis, como um achado nos pulmões sendo descrito na conclusão como se fosse no fígado, ou um aviso crítico que nunca foi explicitamente comunicado à equipe assistente. Como os hospitais geram milhares desses relatórios diariamente, garantir que sejam consistentes e livres de erros tornou-se um desafio significativo que a revisão manual tradicional tem dificuldade em atender.
Para enfrentar isso, uma equipe de pesquisadores do Moffitt Cancer Center em Tampa, Flórida, desenvolveu um novo tipo de sistema de inteligência artificial projetado para organizar e verificar esses relatórios sem alterar as palavras que os médicos realmente escreveram. Em vez de reescrever os relatórios ou resumi-los em uma lista breve, este sistema atua como um bibliotecário meticuloso que pega uma pilha caótica de notas manuscritas e arquiva cada frase na gaveta correta, enquanto simultaneamente varre todo o documento em busca de contradições. A equipe construiu um sistema "multiagente", o que significa que criaram uma pequena equipe de programas de computador especializados que trabalam juntos. Uma parte do sistema utiliza regras rígidas e pré-definidas para classificar frases em categorias anatômicas como "Pulmões" ou "Fígado". Quando as regras não são suficientes para decidir onde uma frase pertence, um programa de raciocínio mais avançado intervém para compreender o contexto e tomar a decisão. Esse processo ocorre inteiramente nos próprios computadores seguros do hospital, mantendo a privacidade dos dados do paciente.
Os pesquisadores testaram este sistema em 638 relatórios de radiologia reais de tomografias computadorizadas realizadas em 2023 e 2024. Estes relatórios foram criados por 15 radiologistas certificados por conselho, cada um com seu próprio estilo de escrita único. O sistema conseguiu pegar a seção "Achados" não estruturada de cada relatório, que continha um total de 22.270 frases, e rearranjá-las em um formato padronizado. Por exemplo, uma frase descrevendo um problema cardíaco que estava enterrada no meio de um parágrafo sobre os pulmões foi movida para a seção "Coração", enquanto uma frase sobre uma lesão hepática foi colocada sob "Fígado". Crucialmente, o sistema não deletou, resumiu ou inventou nenhum texto; ele simplesmente moveu as frases originais para seus devidos lugares. Todo o processo levou, em média, cerca de 56 segundos por relatório, sendo que a parte mais demorada foi a etapa de raciocínio para as frases mais complexas.
Além de apenas organizar o texto, o sistema também atuou como um inspetor de controle de qualidade. Ele varreu os relatórios em busca de tipos específicos de erros, como quando a seção "Achados" descrevia um problema que a seção "Impressão" ao final do relatório não mencionava, ou quando um achado contradizia o gênero do paciente. Neste grupo de 638 relatórios, o sistema sinalizou 90 deles, ou cerca de 14 por cento, como contendo potenciais inconsistências. O problema mais comum encontrado foi uma incompatibilidade entre o que era descrito no corpo do relatório e o que era resumido ao final. O sistema também detectou casos raros onde um achado era crítico, mas não foi claramente comunicado, ou onde uma frase parecia descrever um órgão que não correspondia à anatomia do paciente.
Para verificar se o sistema era realmente útil, dois radiologistas independentes revisaram uma amostra de 45 relatórios que haviam sido processados pela IA. Eles verificaram se as frases foram movidas para as seções corretas e se os alertas de erro eram precisos. Os médicos concordaram que, em 69 por cento dos casos, a IA reestruturou o relatório corretamente. Em apenas 4 por cento dos casos, eles encontraram um erro claro onde uma frase foi colocada no lugar errado. Nos casos restantes, os médicos discordaram entre si sobre onde uma frase deveria ir, sugerindo que alguns achados médicos podem pertencer razoavelmente a mais de uma categoria. Importante destacar que ambos os revisores confirmaram que o sistema nunca omitiu nenhuma informação médica importante e nunca inventou fatos que não estavam no relatório original. Ao serem questionados sobre a qualidade da verificação de erros, os médicos classificaram o desempenho do sistema como "excelente" ou "bom" em 84 por cento dos relatórios que revisaram.
O estudo sugere que combinar um classificador baseado em regras com um verificador baseado em raciocínio pode criar um fluxo de trabalho confiável para a padronização de relatórios médicos. Embora o sistema não tenha tornado os relatórios perfeitos, e os médicos tenham observado que as versões reestruturadas eram às vezes tão boas quanto as originais, em vez de significativamente melhores, o sistema provou que poderia lidar com os variados estilos de escrita de 15 médicos diferentes sem perder nenhum conteúdo. Os pesquisadores descobriram que o sistema era particularmente bom em detectar incompatibilidades entre diferentes partes de um relatório, uma tarefa difícil para humanos realizarem de forma consistente ao revisar centenas de relatórios por dia. Embora o estudo tenha sido limitado a um conjunto específico de tomografias computadorizadas e a um grupo relativamente pequeno de médicos para a revisão final, os resultados indicam que tal sistema poderia apoiar os radiologistas, fornecendo uma estrutura consistente e uma rede de segurança para erros comuns de relatório, tudo isso preservando a voz original e os detalhes do profissional médico que ditou o relatório.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.