🤖 machine learning

A Neurosymbolic Approach for Constructing Planning Domain Models from Clinical Narratives

Este artigo apresenta o NSPIN, um framework neurosimbólico que combina modelos de linguagem de grande escala com validação empírica para construir automaticamente modelos de domínio de planejamento probabilístico a partir de narrativas clínicas não estruturadas, abordando de forma eficaz os desafios de ações implícitas e escassez de dados em fluxos de trabalho cirúrgicos complexos.

Autores originais: Ranveer Singh, Saurabh Mathur, Michael Skinner, Prasad Tadepalli, Kristian Kersting, Sriraam Natarajan

Publicado 2026-08-24

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ranveer Singh, Saurabh Mathur, Michael Skinner, Prasad Tadepalli, Kristian Kersting, Sriraam Natarajan

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

Os hospitais estão repletos de histórias escritas nas margens do cuidado ao paciente. Cirurgiões registram seu trabalho em notas detalhadas, descrevendo como lidaram com complicações específicas de um determinado paciente, desde um órgão perfurado até uma infecção inesperada. Por décadas, esse conhecimento permaneceu preso dentro de prontuários individuais, útil apenas para a pessoa que o escreveu ou para a equipe que cuida daquele paciente específico. Ele nunca foi reunido em uma imagem única e clara de como esses procedimentos realmente funcionam ao longo de milhares de casos. Cientistas há muito tempo desejam transformar essas histórias desestruturadas e manuscritas em um conjunto formal de regras — um mapa lógico que mostre exatamente o que deve acontecer antes que um cirurgião possa dar o próximo passo, e o que pode acontecer como resultado. Esse tipo de mapa é essencial para construir inteligência artificial que possa ajudar a treinar novos médicos, revisar notas cirúrgicas automaticamente ou até mesmo guiar futuros sistemas robóticos. O desafio é que a linguagem humana é cheia de atalhos e suposições. Um cirurgião pode escrever que "colocou um trocarte" sem mencionar que primeiro teve que fazer uma incisão, porque, para ele, esse passo é tão óbvio que não precisa ser dito. Computadores, no entanto, não podem adivinhar o que é óbvio; eles precisam que cada passo seja explicitamente declarado para entender a lógica da operação.

Uma equipe de pesquisadores desenvolveu um novo método para resolver este problema, transformando milhares de notas cirúrgicas não estruturadas em um modelo lógico preciso de uma cirurgia pediátrica comum chamada apendicectomia laparoscópica. Este procedimento, que envolve a remoção de um apêndice inflamado através de pequenas incisões, é realizado frequentemente em hospitais infantis, fornecendo um rico conjunto de dados de mais de 2.600 notas do mundo real escritas por nove cirurgiões diferentes. Os pesquisadores criaram um sistema que atua como uma ponte entre a natureza fluida da linguagem humana e os requisitos rígidos da lógica computacional. Eles chamam este sistema de NSPIN. Ele funciona utilizando primeiro um poderoso modelo de linguagem, um tipo de inteligência artificial treinada em vastas quantidades de texto, para ler as notas brutas e extrair as ações e observações específicas mencionadas. Como as notas são frequentemente incompletas, o sistema utiliza o mesmo modelo de linguagem para preencher as lacunas ausentes, inferindo os passos ocultos que um cirurgião teria realizado, mas não escreveu. Finalmente, ele utiliza um tipo diferente de lógica matemática para organizar esses passos em um plano coerente, verificando o trabalho contra os dados para garantir que as regras façam sentido.

O processo começa com o sistema lendo o texto bruto de uma nota cirúrgica. Ele identifica os eventos principais, como fazer uma incisão ou colocar um instrumento cirúrgico, e os organiza na ordem em que ocorreram. No entanto, os pesquisadores descobriram que simplesmente ler o texto não era suficiente. Os cirurgiões frequentemente omitem a escrita de protocolos universais ou passos intermediários óbvios, deixando o computador com uma cadeia de eventos interrompida. Para corrigir isso, o sistema pede ao modelo de linguagem que atue como um especialista clínico, sugerindo os passos ausentes que conectam logicamente os eventos registrados. Por exemplo, se uma nota menciona que um apêndice foi removido, o sistema infere que a base do apêndice deve ter sido fixada primeiro, mesmo que o cirurgião não tenha escrito isso explicitamente. Este passo é crucial porque recupera o conhecimento silencioso que os especialistas carregam em suas mentes, mas raramente colocam no papel. O sistema gera múltiplas versões possíveis desses passos ausentes e então as combina, mantendo apenas aquelas em que a maioria das versões geradas concorda, garantindo que a sequência final seja robusta e confiável.

Uma vez que o sistema possui uma sequência completa e ordenada de eventos para cada cirurgia, ele constrói um modelo formal que descreve as regras da operação. Este modelo define quais condições devem ser verdadeiras antes que uma ação específica possa ser tomada e quais são os resultados prováveis dessa ação. Por exemplo, ele aprende que um cirurgião não pode colocar um trocarte cirúrgico até que uma incisão tenha sido feita, e que colocar o trocarte pode levar à descoberta de aderências, ou tecido cicatricial, que então requer um procedimento específico para remoção. Os pesquisadores testaram esta abordagem comparando-a com métodos que dependiam exclusivamente do modelo de linguagem sem a etapa de verificação lógica. Eles descobriram que a abordagem combinada era muito superior. O sistema que utilizou as regras lógicas para refinar as sugestões do modelo de linguagem produziu um modelo que era muito melhor em prever o que aconteceria a seguir em uma cirurgia e em identificar quais ações eram de fato possíveis em qualquer momento dado.

Os resultados mostraram que o sistema pode aprender com as notas de nove cirurgiamos diferentes e criar um conjunto geral de regras que funciona para todos eles, mesmo quando testado em notas de um cirurgião que ele nunca havia visto antes. Quando os pesquisadores pediram a especialistas médicos que revisassem os passos que o sistema havia inferido, os especialistas confirmaram que os passos ausentes estavam clinicamente corretos e eram necessários. Em um caso, o sistema recuperou corretamente a informação de que um cirurgião havia fechado a parede abdominal com um tipo específico de sutura, mesmo que o extrator de informações inicialmente tivesse falhado em extraí-la de uma nota que explicitamente declarava: "A fáscia umbilical foi fechada com sutura 0 Vicryl". Em outro caso, ele deduziu que assegurar a base do apêndice era um pré-requisito para cortá-lo, uma necessidade lógica que não estava explicitamente declarada no texto. Essas descobertas demonstram que o sistema pode traduzir com sucesso o conhecimento implícito e não escrito de especialistas humanos em um formato formal e utilizável.

O estudo também revelou que confiar apenas no modelo de linguagem, sem o refinamento lógico, levava a erros. O modelo de linguagem sozinho tendia a criar regras que eram muito amplas ou muito restritivas, frequentemente perdendo as verdadeiras relações de causa e efeito que governam um procedimento cirúrgico. Ao combinar a capacidade do modelo de linguagem de compreender o texto com a capacidade de um sistema simbólico de impor consistência lógica, os pesquisadores criaram um modelo que era tanto flexível o suficiente para lidar com a variedade da escrita humana quanto rigoroso o suficiente para ser confiável por máquinas. Esta abordagem sugere um caminho a seguir para a construção de inteligência artificial em campos de alto risco como a medicina, onde entender o "porquê" por trás de uma ação é tão importante quanto saber o "quê". O trabalho não afirma ter resolvido todos os problemas da automação cirúrgica, mas fornece um método comprovado para transformar a vasta história não estruturada do cuidado ao paciente em uma fundação estruturada para ferramentas futuras que possam melhorar a segurança do paciente e o treinamento cirúrgico.

Declaração do Problema
Formalizar fluxos de trabalho cirúrgicos complexos, como a apendicectomia laparoscópica, em modelos de domínio de planejamento interpretáveis permanece um desafio significativo. Embora tais modelos sejam essenciais para sistemas de IA com participação humana (AI-in-the-loop), simuladores de treinamento cirúrgico e melhoria da qualidade, as abordagens existentes lutam contra a natureza dos dados clínicos. As narrativas clínicas são não estruturadas, linguisticamente diversas e frequentemente omitem etapas intermediárias "óbvias" que são implícitas para os cirurgiões, mas essenciais para a consistência lógica. Métodos simbólicos puramente empíricos falham porque exigem trajetórias de estado-ação estruturadas, que raramente estão disponíveis. Por outro lado, os Grandes Modelos de Linguagem (LLMs), embora capazes de extração linguística e imputação, têm dificuldade com o raciocínio lógico indutivo e frequentemente produzem modelos excessivamente simplistas ou logicamente inconsistentes, particularmente quando carecem de suporte externo, como ambientes executáveis ou descrições de domínio limpas. Além disso, os domínios clínicos exigem modelagem probabilística para capturar resultados estocásticos, uma capacidade frequentemente ausente em formalizadores baseados em LLM determinísticos.

Metodologia: O Framework NSPIN
Os autores introduzem o NSPIN, um framework neurosimbólico projetado para induzir modelos de domínio de planejamento probabilístico (especificamente na Linguagem de Definição de Domínio de Planejamento Probabilístico, ou PPDDL) a partir de narrativas clínicas não estruturadas. O framework une a flexibilidade linguística dos LLMs com o rigor lógico da indução simbólica através de quatro estágios distintos:

Criação de Esquema: Um LLM pré-treinado gera um esquema de domínio formal ( $P_0$ ) baseado em uma descrição de linguagem natural do domínio. Este esquema define categorias de objetos tipados (ex: instrumentos, estruturas anatômicas), predicados de observação (propriedades de estado) e predicados de ação (etapas cirúrgicas). Nesta fase, os esquemas de ação são sintaticamente válidos, mas contêm precondições e efeitos vazios, servindo como um vocabulário fixo para restringir o espaço de busca subsequente.
Geração de Sequência: Este estágio converte notas cirúrgicas brutas em sequências de predicados estruturados e fundamentados através de duas subfases:
- Extração de Informação: O LLM extrai uma sequência de predicados fundamentados do texto. Para lidar com a estocasticidade, $K$ sequências candidatas são geradas e agregadas usando filtragem por maioria para retenção de predicados, votação por consenso para fundamentação de argumentos e agregação de ranking Kemeny ponderada para ordenação temporal.
- Imputação de Sequência: Reconhecendo que os cirurgiões omitem etapas implícitas, o framework utiliza o modelo de mundo interno do LLM para inferir ações ou observações intermediárias ausentes que sejam necessárias para a continuidade lógica. Semelhante à extração, $K$ imputações candidatas são geradas e agregadas para produzir uma sequência final enriquecida ( $S$ ) que representa o fluxo de trabalho completo.
Construção do Modelo de Planejamento:
- Indução Baseada em Dados: Um indutor ganancioso (greedy) baseado em cobertura constrói esquemas de ação PPDDL iniciais a partir das sequências enriquecidas. Ele estima precondições com base em contextos de observação e efeitos probabilísticos baseados em frequências de resultados de máxima verossimilhança, filtrando efeitos de baixa probabilidade.
- Refinamento por LLM: Para abordar correlações espúrias onde a indução baseada em dados pode incluir precondições não essenciais, um LLM refina as precondições induzidas. O LLM propõe revisões baseadas em contextos satisfeitos e falhos, aceitando mudanças apenas se estas não degradarem o desempenho de validação. Isso garante que as precondições sejam semanticamente fundamentadas em vez de meramente associativas.
Avaliação: O modelo resultante é avaliado em um conjunto de notas cirúrgicas retido para medir sua capacidade de prever conjuntos de observação e ações subsequentes.

Principais Contribuições
O artigo apresenta três contribuições técnicas primárias:

Framework NSPIN: Uma abordagem neurosimbólica inovadora que transforma notas cirúrgicas não estruturadas em domínios PPDDL probabilísticos ao combinar extração/imputação baseada em LLM com indução e refinamento simbólico.
Imputação de Conhecimento Implícito: A exploração de LLMs pré-treinados para preencher lacunas em notas cirúrgicas, inferindo ações clínicas latentes e precondições que são essenciais para a consistência do plano lógico, mas frequentemente omitidas pelos escritores humanos.
Validação Empírica: Uma avaliação abrangente em um conjunto de dados de 2.660 notas reais de apendicectomia laparoscópica de nove cirurgiões, demonstrando que a abordagem neurosimbólica supera as linhas de base puramente baseadas em LLM na generalização para fluxos de trabalho não vistos.

Resultados
Os autores avaliaram o NSPIN contra duas linhas de base compostas apenas por LLM (uma zero-shot e outra com exemplos de contexto) e uma variante do NSPIN sem a etapa final de refinamento por LLM. Principais descobertas incluem:

Eficácia da Imputação: Modelos treinados em dados imputados superaram significativamente aqueles treinados em extrações brutas em todas as métricas (Acurácia Top-1/Top-3 e Log-Likelihood Negativo), confirmando que a recuperação de informações implícitas é crítica para uma modelagem precisa.
Impacto do Refinamento: A etapa de refinamento por LLM melhorou substancialmente as métricas de previsão de próxima ação. Especificamente, reduziu a Taxa de Ação Desautorizada Verdadeira (TADR), indicando que as precondições refinadas eram menos restritivas e mais compatíveis com os fluxos de trabalho observados do que as versões puramente baseadas em dados.
Superioridade Neurosimbólica: O NSPIN (com refinamento) superou todas as linhas de base puramente baseadas em LLM em previsão de observação e previsão de próxima ação. Embora os modelos simbólicos não refinados tenham inicialmente subperformado as bases neurais, a adição do refinamento semântico permitiu que o NSPIN as superasse, demonstrando que a validação simbólica é necessária para fundamentar os priors procedimentais do LLM em dados empíricos.
Alinhamento Qualitativo: A revisão por especialistas confirmou que as etapas imputadas (ex: fechamento da fáscia, fixação da base do apêndice) estavam clinicamente corretas e que as precondições refinadas refletiam fielmente as necessidades clínicas genuínas em vez de associações descritivas.

Significância
O artigo afirma que o NSPIN fornece um caminho para criar modelos interpretáveis e generalizáveis de procedimentos cirúrgicos que podem apoiar uma IA clínica confiável e implantável. Ao formalizar com sucesso narrativas não estruturadas em domínios de planejamento probabilístico, a abordagem permite aplicações subsequentes como:

Melhorar simuladores cirúrgicos ao capturar complicações raras e variações procedimentais.
Permitir a revisão automatizada de notas operatórias.
Informar iniciativas de melhoria da qualidade ao rastrear diferenças sistemáticas entre cirurgiões e instituições.
Lançar as bases para futuros sistemas cirúrgicos autônomos.

Os autores enfatizam que sua abordagem aborda as limitações específicas dos métodos atuais ao lidar com a falta de dados estruturados e a prevalência de ações implícitas em ambientes clínicos, ofereando uma alternativa robusta às abordagens puramente simbólicas ou puramente neurais.

Mais como este