A Hybrid Retrieval Augmented Generation Approach for Explainable Clinical Decision Support Using Vector Databases and Best Matching 25

Resumo Técnico: Uma Abordagem Híbrida de Geração Aumentada por Recuperação para Suporte à Decisão Clínica Explicável

Declaração do Problema
O artigo aborda a sobrecarga cognitiva enfrentada pelos profissionais médicos devido ao crescimento exponencial da literatura médica, fontes de dados fragmentadas e a falta de informações centradas no paciente nos processos atuais de tomada de decisão. Os Sistemas de Suporte à Decisão Clínica (CDSS) tradicionais dependem fortemente de algoritmos estáticos baseados em regras e buscas por palavras-chave, que falham em capturar relações semânticas, contexto ou personalização. Consequentemente, os sistemas existentes lutam para lidar com dados fragmentados de Registros Eletrônicos de Saúde (EHRs), bases de dados de pesquisa e diretrizes clínicas, muitas vezes perdendo o contexto crítico ou falhando em integrar insights específicos do paciente com o conhecimento médico em evolução.

Metodologia
Os autores propõem uma arquitetura modular de três camadas baseada em Geração Aumentada por Recuperação (RAG) que integra dados médicos heterogêneos com Grandes Modelos de Linguagem (LLMs). O sistema é projetado para suportar tanto a pesquisa médica geral quanto a otimização terapêutica específica do paciente.

1. Ingestão de Dados e Vetorização:

   • O sistema consolida diversas fontes, incluindo livros didáticos médicos (MedRAG), literatura de pesquisa (PubMed, arXiv, bioRxiv), diretrizes clínicas (OMS, FDA) e bases de dados de medicamentos (RxNorm).
   • O conjunto de dados compreende aproximadamente 182.000 registros vetoriais.
   • Ao contrário de métodos que utilizam fragmentos de texto (chunks), esta abordagem gera embeddings usando BioBERT (ajustado para similaridade semântica biomédica) em textos de documentos completos.
   • Esses vetores de 768 dimensões são armazenados em um banco de dados vetorial Qdrant usando grafos de Mundo Pequeno Navegável Hierárquico (HNSW) para busca de Vizinho Mais Próximo Aproximado (ANN).

2. Mecanismo de Recuperação Híbrida:

   • A estratégia central de recuperação combina BM25 (busca lexical) e busca semântica densa baseada em BioBERT (usando similaridade de cosseno).
   • Para fundir os resultados desses distintos modelos de recuperação, o sistema emprega a Fusão de Classificação Recíproca (RRF). Esta técnica classifica os documentos com base em sua aparência consistente em ambas as listas de recuperação, em vez de pontuações absolutas, mitigando inconsistências entre os modelos lexicais e semânticos.
   • O sistema utiliza uma camada de segurança com OAuth e JWT para autenticação de clínicos, garantindo que o acesso aos dados do paciente seja restrito a usuários autorizados via um mecanismo de perfilamento.

3. Geração de IA e Classificação de Risco:

   • Os documentos recuperados são injetados em um modelo LLaMA-3.3-70B rodando em um LPU da Groq para gerar respostas clínicas estruturadas e conscientes do contexto.
   • Para consultas específicas de pacientes, o sistema injeta o perfil do paciente, histórico de tratamento e diretrizes relevantes no prompt para gerar recomendações personalizadas (medicação, duração, monitoramento).
   • Um Mecanismo de Classificação de Risco e Alerta automatizado analisa as respostas geradas em busca de palavras-chave que indiquem gravidade (ex: "ameaçador à vida", "urgente") para disparar notificações para os clínicos.

Principais Contribuições
O artigo descreve quatro contribuições primárias:

1. Estrutura de Recuperação Híbrida: Integração da busca semântica BioBERT com a recuperação lexical BM25 usando Fusão de Classificação Recíproca para melhorar a descoberta de informações.
2. Arquitetura de Interface Dupla: Um sistema que suporta tanto a exploração de literatura geral quanto a otimização terapêutica específica do paciente.
3. Mecanismo de Risco Automatizado: Um sistema de alerta integrado para a identificação precoce de condições clínicas críticas baseadas no texto gerado.
4. Integração Abrangente de Conhecimento: A agregação de mais de 182.000 pontos de dados de livros didáticos do USMLE, PubMed, arXiv, diretrizes da OMS e FDA em uma base de conhecimento unificada e centrada na doença.

Resultados Experimentais
O sistema foi avaliado em um conjunto de dados de aproximadamente 182.000 registros médicos. A abordagem de recuperação híbrida (RRF) demonstrou melhorias estatisticamente significativas ($p < 0,05$) sobre as linhas de base isoladas:

• Precisão@5: 0,81 (Híbrido) vs. 0,68 (apenas BM25) e 0,74 (apenas Denso). Isso representa uma melhoria de 9,5% sobre a melhor linha de base.
• Revocação@10: 0,85 (Híbrido) vs. 0,72 (BM25) e 0,79 (Denso).
• Rank Recíproco Médio (MRR): 0,83 (Híbrido) vs. 0,71 (BM25) e 0,76 (Denso).

Os autores também observam que uma pontuação de confiança é calculada combinando pontuações de relevância normalizadas de ambos o Qdrant e o BM25 para fornecer aos clínicos um indicador de confiabilidade.

Significância e Alegações
O artigo afirma que este framework aumenta significativamente a qualidade da evidência e melhora o raciocínio baseado em pacientes individuais. Ao fundir a precisão lexical com a compreensão semântica, o sistema reduz a perda de informação e as alucinações comuns em modelos generativos isolados. Os autores afirmam que a arquitetura fornece uma base escalável, explicável e confiável para CDSS em situações complexas e de alto risco.

O estudo reconhece limitações, observando que os embeddings de documentos completos podem ocasionalmente carecer da precisão de uma correspondência exata de palavras-chave para casos específicos e que a geração de embeddings BioBERT pode ser computacionalmente dispendiosa. O trabalho futuro sugerido pelos autores inclui a introdução de multimodalidade (integrando imagens médicas como Raios-X e Ressonâncias Magnéticas), compreensão automatizada de pictogramas e o alcance da interoperabilidade interinstitucional para implantação clínica no mundo real.