Resumo Técnico: C-RLM – Síntese Recursiva com Imposição de Esquema para Documentação Clínica Auditável de Longo Contexto

1. Declaração do Problema

A tomada de decisão clínica para pacientes com múltiplas condições crônicas (multimorbidades) requer a síntese de evidências de fontes extensas, fragmentadas e heterogêneas, como diretrizes clínicas, relatos de casos e documentação longitudinal. As abordagens atuais enfrentam duas limitações primárias:

• Perda de Informação em Longos Contextos: Mesmo os Modelos de Linguagem de Grande Escala (LLMs) avançados lutam com documentos que excedem dezenas de milhares de tokens, exibindo frequentemente o fenômeno "perdido no meio" (lost in the middle), onde elementos clínicos interdependentes e críticos (ex: regimes de indução e contraindicações de longo prazo) espalhados por spans de texto distantes falham em ser conectados.
• Fragmentação e Falta de Auditabilidade: Os sistemas convencionais de Geração Aumentada de Recuperação (RAG) de camada plana dividem documentos em chunks de tamanho fixo, tratando-os isoladamente. Esta abordagem falha em reconstruir trajetórias terapêuticas holísticas quando componentes essenciais (nome do fármaco, dose, eventos adversos) estão separados por fronteiras de chunks. Além disso, esses sistemas geralmente carecem de procedência determinística, tornando impossível rastrear alegações geradas até passagens específicas da fonte — uma falha crítica em ambientes clínicos de alta segurança onde a auditabilidade é inegociável.
• Deriva Semântica em Modelos Recursivos: Embora os Modelos de Linguagem Recursivos (RLMs) ofereçam refinamento iterativo, implementações genéricas frequentemente tratam estados intermediários como resumos não estruturados. Isso leva à deriva semântica, onde a nomenclatura inconsistente (ex: "MMF" vs. "CellCept") causa a corrupção ou duplicação gradual de entidades clínicas.

2. Metodologia: A Arquitetura C-RLM

Os autores introduzem o Clinical-Recursive Language Model (C-RLM), um framework que redefine a síntese de evidências de uma tarefa de recuperação de passagem única para um processo de compilação estruturado e com imposição de esquema. A arquitetura opera via um loop recursivo que termina quando a estabilidade do estado é alcançada (nenhuma nova entidade ou modificação detectada ao longo de duas iterações) ou ao atingir uma profundidade máxima de 5.

O sistema compreende três inovações principais:

A. Estado Recursivo com Imposição de Esquema

Ao contrário da sumarização generativa, o C-RLM atualiza um estado de conhecimento tipado em cada etapa recursiva que deve estar em conformidade com um esquema JSON estrito. Isso evita o acúmulo de alucinações ou duplicatas. O loop procede através de três fases:

1. Extração: Identificação de candidatos a regimes terapêuticos a partir de chunks de texto recuperados.
2. Síntese: Fusão de novos candidatos ao estado atual usando resolução de aliases e tratamento de conflitos.
3. Validação e Auditoria: Imposição de conformidade de esquema e registro de procedência.

B. Resiliência de Nomenclatura Robusta (RNR)

Para lidar com a extrema variação lexical em textos médicos, o C-RLM emprega uma camada RNR de duas passagens:

• Parsing Sintático: Utiliza mapeamento de entrada flexível (ex: via AliasChoices do Pydantic) para lidar com chaves heterogêneas.
• Consolidação Semântica: Compara novos fármacos extraídos contra o estado de conhecimento existente usando uma estratégia híbrida:
  1. Normalização exata contra sinônimos do RxNorm.
  2. Alternativa para termos fora do vocabulário via embeddings SBERT (similaridade de cosseno $\tau = 0,85$).
  • Resolução de Conflitos: Se os valores de dose conflitarem, o sistema retém a nota mais recente ou detalhada e levanta uma "Flag de Conflito" para revisão humana.

C. Proteção de Fronteira de Contexto

Para evitar que regimes terapêuticos (ex: "Prednisona 40 mg diária") sejam divididos em fronteiras de chunks, o C-RLM utiliza uma janela deslizante com uma sobreposição de 200 tokens. O LLM é explicitamente instruído a buscar evidências que atravessem as fronteiras, garantindo que regimes fragmentados sejam remontados durante a síntese.

D. TraceTracker: Procedência Determinística

Cada elemento de saída é vinculado a offsets de caracteres da fonte.

• Chunks recuperados retêm IDs originais do documento e intervalos de caracteres.
• O modelo é restrito a citar apenas dentro dos segmentos fornecidos.
• Uma Árvore de Síntese é construída onde cada nó (ex: um regime de fármaco) recebe um UUID mapeado para triplas específicas de (PMC_ID, start_char, end_char). Isso permite que clínicos naveguem diretamente de uma alegação de saída para sua evidência de origem.

3. Configuração Experimental e Resultados

O framework foi avaliado em um benchmark de 100 relatos de casos de Nefropatia Lúpica (LN) de padrão ouro do PubMed Central (PMC) Open Access Subset.

• Características do Dataset: Comprimento médio de ~24.500 tokens (intervalo: 18.200–32.800). Os casos incluíram tratamentos de múltiplas fases, dosagem explícita e referências às principais diretrizes (KDIGO, EULAR).
• Baselines:
  • Flat RAG: Chunks de 512 tokens, recuperação FAISS, Llama3-8B-Instruct (passagem única, sem recursão/procedência).
  • LLMs de Longo Contexto: Testados no Qwen3-14B, Llama3.1-8B e Gemma2-9B em um conjunto piloto de 10 casos de Artrite Reumatoide.

Principais Métricas de Desempenho

• Consistência Estrutural: O C-RLM alcançou 100%, eliminando a deriva de esquema observada no Flat RAG (99,0%) e nos LLMs de Longo Contexto (que exibiram violações de esquema ou deriva).
• Recall de Regimes (F1): O C-RLM alcançou 99%, um aumento de 7 pontos percentuais sobre o baseline de Flat RAG (92%).
• Rastreabilidade de Procedência: O C-RLM alcançou 100% de rastreabilidade determinística, enquanto os baselines foram probabilísticos ou inexistentes.
• Sensibilidade a Conflitos: O C-RLM pontuou 0,82 na identificação correta de referências medicamentosas sobrepostas, comparado a 0,45 para o baseline.

Compromisso Computacional

A arquitetura recursiva introduz um overhead computacional de 2,7× (latência de 42,8s vs. 15,4s para Flat RAG; 22.450 tokens vs. 8.200 tokens). No entanto, os autores argumentam que este custo gera um ganho desproporcional em segurança e confiabilidade.

Achados Qualitativos ("O Dividendo da Síntese")

Em cenários de "perdido no meio", onde regimes de fármacos estavam separados por >2.000 tokens, o Flat RAG e os LLMs de passagem única falharam em unificar a trajetória (ex: tratando "CellCept" e "Mycophenolate" como regimes separados). O C-RLM conseguiu unificar estes em uma trajetória única e coerente com trilhas de auditoria completas, recuperando entidades clinicamente críticas fragmentadas em spans de texto distantes.

4. Significância e Alegações

O artigo afirma que, para aplicações clínicas de alta segurança, o compromisso em latência é justificado pelos ganhos significativos em confiabilidade, auditabilidade e suporte à governança com participação humana (human-in-the-loop).

• Necessidade Arquitetônica: O estudo demonstra que a recursão arquitetônica é necessária para a síntese clínica de alta fidelidade, uma vez que simplesmente aumentar o tamanho da janela de contexto nos modelos modernos não garante restrições estruturais ou resolução de alias confiável.
• Auditabilidade como Requisito: O sistema TraceTracker fornece um mecanismo fundamental para conformidade regulatória (ex: FDA QSR, EU MDR) ao eliminar alucinações de citação e fornecer resolução de offset de caracteres.
• Mudança de Paradigma: O C-RLM desloca o paradigma da geração de texto probabilística para a montagem clínica determinística, criando um substrato auditável para a supervisão médica.

Os autores posicionam o C-RLM não como um agente de diagnóstico autônomo, mas como uma ferramenta de suporte à decisão com participação do médico, projetada para lidar com a complexidade da síntese de evidências multimorbidas onde os modelos atuais de RAG e de longo contexto falham. O trabalho futuro é identificado como necessitando de validação clínica prospectiva, integração com pipelines de prontuários eletrônicos (EHR) ao vivo e expansão para diversas especialidades clínicas.