Modelos de linguagem de grande porte podem ser úteis sobre dados de prontuários eletrônicos em pediatria e cirurgia, e o que a evidência atual permite concluir?
Resposta curta: Uma revisão sistemática identificou 44 estudos sobre modelos de linguagem de grande porte aplicados a prontuários eletrônicos em pediatria e cirurgia. A maioria era retrospectiva e focada em classificação. Houve melhora de desempenho em 78,1% dos estudos com comparador tradicional, mas a validação externa e o teste em fluxos clínicos reais permanecem limitados.
Resposta
A revisão sistemática reuniu a literatura disponível sobre o uso de modelos de linguagem de grande porte (LLMs) em prontuários eletrônicos na pediatria e na cirurgia. O ponto de partida é relevante para a prática: grande parte da informação clínica está em texto não estruturado, e os LLMs surgem como ferramentas promissoras para acessar e organizar esses dados.
Os resultados mostram um campo em expansão, porém inicial. A maioria dos estudos foi publicada em 2024, e os modelos mais frequentes foram variantes de BERT e o ChatGPT. Quase todos os estudos usaram apenas dados retrospectivos não estruturados, e uma parcela expressiva teve como foco tarefas de classificação. Entre os estudos com comparador tradicional, houve melhora de desempenho na maior parte deles.
As aplicações propostas com mais frequência foram o auxílio à documentação clínica e o suporte diagnóstico e à decisão clínica. Esses usos dialogam diretamente com demandas do consultório, como reduzir tempo de escrita e apoiar a organização de informações, mas o resumo não informa resultados de implementação em rotinas assistenciais.
A conclusão dos autores é cautelosa: os LLMs oferecem oportunidades para análise de prontuários em pediatria e cirurgia, mas a maioria dos estudos permanece em estágio inicial. As limitações apontadas incluem validação externa restrita e ausência de avaliação em fluxos clínicos reais. Pesquisas futuras devem priorizar validação rigorosa e testes no mundo real.
Para o médico, o recado é de expectativa calibrada. Há sinal de desempenho promissor em tarefas específicas, mas ainda não há base suficiente, segundo o resumo, para tratar essas ferramentas como validadas na prática clínica pediátrica e cirúrgica. A decisão de adotar qualquer solução deve considerar esse estágio de evidência.
O que o estudo mostrou
Trata-se de uma revisão sistemática com busca em dez bases de dados até novembro de 2024, seguindo diretrizes PRISMA, com triagem independente por dois revisores e avaliação de risco de viés pelo PROBAST. De 4326 estudos identificados, 44 foram incluídos: 30 em especialidades cirúrgicas, 3 em subespecialidades cirúrgicas pediátricas e 11 em pediatria. A maioria foi publicada em 2024. Os modelos incluíram variantes de BERT (52,3%), ChatGPT (29,5%) e outros (18,2%). Cerca de 90,9% usaram apenas dados retrospectivos não estruturados e 40,9% focaram classificação. Houve melhora de desempenho em 78,1% dos estudos com comparador tradicional. As aplicações mais propostas foram documentação clínica (54,5%) e suporte diagnóstico e à decisão clínica (36,4%).
Limitações
O resumo não informa detalhes sobre tamanho de amostra dos estudos incluídos nem sobre heterogeneidade entre eles. As principais limitações apontadas são a validação externa limitada e a falta de avaliação em fluxos clínicos reais. Predominam dados retrospectivos não estruturados, o que restringe a conclusão sobre desempenho prospectivo e sobre impacto em desfechos de pacientes. O resumo também não informa resultados específicos por subespecialidade.
Aplicação no consultório
A revisão sugere que ferramentas baseadas em LLMs podem apoiar documentação clínica e suporte à decisão, mas ainda em estágio inicial de evidência. Na prática, isso recomenda cautela antes de incorporar tais soluções à rotina, priorizando avaliação local de desempenho e supervisão médica. Para a gestão do consultório, o momento é de acompanhar a literatura e planejar pilotos com métricas claras, sem assumir benefícios clínicos ou de qualidade ainda não demonstrados em fluxos reais.
Estudo citado
Large language models for electronic health records in pediatric and surgical care: A systematic review. Journal of pediatric surgery, 2026.
Autores: Daskalo C, Abu-Ashour W, Tshimula JM, Amoei M, Guadagno E, Poenaru D.
DOI: 10.1016/j.jpedsurg.2026.162956 · PubMed: PMID 41619843
Perguntas para aprofundar
- Como avaliar o desempenho de modelos de linguagem de grande porte antes de usá-los na documentação clínica do consultório?
- Quais tarefas de prontuário eletrônico em pediatria e cirurgia têm maior suporte na literatura atual sobre LLMs?
- Que tipo de validação ainda falta para que LLMs sejam adotados com segurança em fluxos clínicos reais?
Mais sobre Escriba ambiental e documentação clínica com IA
- Como o ChatGPT pode ser aplicado na pediatria para melhorar a educação do paciente e a eficiência clínica?
- O uso de escribas de inteligência artificial melhora a experiência e a eficiência de médicos especialistas pediátricos?
- Modelos de linguagem podem simplificar notas clínicas em alemão para melhorar a legibilidade dos pacientes?
- A inteligência artificial já pode automatizar a codificação ICD de forma confiável na prática clínica?
- Modelos de inteligência artificial baseados em prontuário eletrônico são eficazes para detecção precoce de sepse em pacientes hospitalizados?
Todas as perguntas sobre Escriba ambiental e documentação clínica com IA · Todos os temas · Versão em markdown