Speech-to-SOAP: End-to-End Summarization of Medical Dialogues: KIT@BeTraC 2026

No ritmo diário de uma consulta médica, uma parte significativa do tempo é frequentemente gasta não com o paciente, mas no computador. Enquanto um médico ouve os sintomas e faz perguntas, ele deve simultaneamente digitar notas em um registro digital, uma tarefa que desvia sua atenção da pessoa à sua frente. Esse fardo de documentação é uma fonte bem conhecida de fadiga para os profissionais de saúde. Para resolver isso, pesquisadores há muito buscam o reconhecimento de voz, esperando transformar palavras faladas diretamente em registros médicos. No entanto, uma transcrição simples do que foi dito raramente é suficiente; o objetivo é criar um resumo estruturado conhecido como nota SOAP. Este formato organiza uma visita em quatro seções distintas: as queixas subjetivas do paciente, os achados objetivos do exame, a avaliação do médico e o plano de tratamento. O desafio reside em ensinar um computador a ouvir uma conversa, compreender o contexto médico e escrever este tipo específico de resumo sem intervenção humana, tudo isso preservando nuances sutis, como uma tosse ou uma pausa, que poderiam ser perdidas se o computador tivesse que primeiro escrever cada palavra antes de resumir.

Uma equipe de pesquisadores do Instituto de Tecnologia de Karlsruhe e da Universidade Carnegie Mellon partiu para enfrentar esse problema no desafio BeTraC 2026, uma competição projetada para testar o quão bem as máquinas podem automatizar a documentação médica. A abordagem deles, intitulada "Speech-to-SOAP", focou na construção de um sistema que pudesse ouvir um diálogo médico-paciente e gerar a nota médica final em uma etapa contínua, pulando a etapa intermediária de escrever uma transcrição completa primeiro. Eles utilizaram um tipo poderoso de modelo de inteligência artificial conhecido como modelo de fundação, que já havia sido treinado em vastas quantidades de dados de linguagem e fala gerais. A principal inovação dos pesquisadores não foi apenas usar este modelo existente, mas ensinar-lhe como lidar com a natureza desordenada e variada das conversas médicas reais. Eles criaram um pipeline que combinava vários conjuntos de dados diferentes, incluindo alguns inteiramente sintéticos e outros que continham gravações reais, para treinar o sistema. Para conversas que careciam de gravações de áudio, eles usaram fala gerada por computador para preencher as lacunas, garantindo que o modelo pudesse aprender com um volume massivo de exemplos totalizando mais de 1,6 milhão de horas de áudio.

Para tornar os dados de treinamento úteis, a equipe teve que ensinar ao computador como uma nota SOAP realmente se parece. Como muitas de suas conversas de origem não vinham com resumos pré-escritos, eles usaram outra ferramenta de IA para gerar esses resumos automaticamente. Eles elaboraram instruções específicas para garantir que esses resumos gerados seguissem a estrutura correta e utilizassem terminologia médica consistente, criando efetivamente uma enorme biblioteca de exemplos para o sistema principal estudar. Os pesquisadores então testaram várias formas de ensinar o modelo. Eles experimentaram diferentes maneiras de dar instruções ao computador, descobrindo que instruções detalhadas funcionavam melhor quando colocadas como um comando direto ao modelo, em vez de uma regra de fundo. Eles também investigaram se ajudava mostrar ao modelo a transcrição de texto da conversa junto com o áudio. Suas descobertas sugeriram que ver o som e o texto juntos ajudava o modelo a identificar conceitos médicos com mais precisão, mesmo que o resumo escrito final parecesse semelhante a um gerado apenas a partir do áudio.

A equipe também explorou se dividir a tarefa em etapas menores ajudaria, como fazer o computador primeiro escrever a transcrição e depois resumir, ou pedir que ele explicasse seu raciocínio antes de escrever a nota. Os resultados mostraram que, embora essas etapas intermediárias oferecessem alguns benefícios, a abordagem mais eficaz para a qualidade geral do resumo era treinar o modelo para ir diretamente do discurso para o resumo final. No entanto, descobriram que a supervisão por Cadeia de Pensamento (Chain-of-Thought - CoT) alcançou especificamente a pontuação mais alta para a extração de conceitos clinicamente relevantes, sugerindo que modelar explicitamente etapas de raciocínio intermediárias pode melhorar a identificação de detalhes médicos, mesmo que não tenha superado a geração direta em outras métricas. Em relação à limpeza de dados, a equipe descobriu que remover segmentos onde a fala gerada por computador não correspondia ao texto não melhorou o desempenho; de fato, os melhores resultados foram obtidos usando o conjunto de dados não limpo filtrado para uma duração máxima de 21 minutos. Eles também descobriram que limitar a duração das conversas usadas para o treinamento a vinte e um minutos era o ponto ideal; conversas mais longas introduziam ruído demais para serem úteis.

Na fase final de seu trabalho, os pesquisadores combinaram as melhores versões de seus modelos treinados para criar um sistema único e robusto. Este sistema fundido foi testado contra uma submissão contrastiva específica dos mesmos autores usando três conjuntos diferentes de dados de teste: conversas que eram muito semelhantes ao material de treinamento, cenários de simulação de interpretação de papéis (role-play) e gravações realistas de visitas médicas reais. O sistema combinado superou consistentemente essa submissão contrastiva em todos os conjuntos de teste oficiais, particularmente nos cenários realistas, onde as diferenças entre os dados de treinamento e os dados de teste eram maiores. Esse sucesso sugere que a média do conhecimento de vários modelos treinados de forma diferente torna o sistema mais adaptável e menos propenso a ser confundido por novas situações. O estudo conclui que, ao unificar diversas fontes de dados e utilizar uma abordagem direta de fala para resumo, é possível criar uma ferramenta que reduza significativamente o fardo da documentação sobre os profissionais de saúde, permitindo que eles se concentrem no elemento humano do cuidado.