# Sistemas de pacientes virtuais baseados em grandes modelos de linguagem são eficazes para treinar anamnese na educação médica?

> Uma revisão sistemática de 39 estudos indica que sistemas de pacientes virtuais com grandes modelos de linguagem melhoram a acurácia diagnóstica e a usabilidade no treinamento de anamnese, mas carecem de representação de multimorbidade e padronização de métricas, limitando a generalização.

Estudo citado: Li D, Lebai Lutfi S. Large Language Model-Based Virtual Patient Systems for History-Taking in Medical Education: Comprehensive Systematic Review. JMIR medical informatics. 2026. DOI: https://doi.org/10.2196/79039. PubMed: https://pubmed.ncbi.nlm.nih.gov/41481915/

## Resposta

A revisão sistemática avaliou 39 estudos sobre sistemas de pacientes virtuais baseados em grandes modelos de linguagem (LLMs) para treinamento de anamnese na educação médica. Os resultados mostram que esses sistemas simulam principalmente distúrbios de medicina interna e saúde mental, com poucos abordando multimorbidade ou condições raras. Técnicas como prompts baseados em papéis, aprendizado com poucos exemplos, estruturas multiagentes, integração de grafos de conhecimento e ajuste fino melhoraram a acurácia do diálogo e do diagnóstico.

As avaliações, tipicamente envolvendo 10 a 50 estudantes e 3 a 10 especialistas, demonstraram desempenho forte, com acurácia top-k variando de 0,45 a 0,98, taxa de alucinação de 0,31% a 5% e pontuação na Escala de Usabilidade do Sistema (SUS) maior ou igual a 80. Entradas multimodais, como fala e imagem, aumentaram a imersão e o realismo. No entanto, amostras pequenas, métricas inconsistentes e controles limitados restringiram a generalização dos achados.

Os conjuntos de dados comuns, como o MIMIC-III, exibiram viés de unidade de terapia intensiva e falta de diversidade, afetando a reprodutibilidade e a validade externa. A revisão concluiu que os estudos incluídos apresentaram risco moderado de viés, métricas inconsistentes, coortes pequenas e transparência limitada dos dados. Os sistemas se destacam na simulação de múltiplos tipos de doenças, mas carecem de representação de pacientes com multimorbidade.

Os grafos de conhecimento melhoram a acurácia top-k e apoiam a representação estruturada de doenças e o raciocínio. Pesquisas futuras devem priorizar arquiteturas híbridas de grafos de conhecimento e cadeia de pensamento integradas a grafos de conhecimento de código aberto, como UMLS e SNOMED-CT, ajuste fino eficiente em parâmetros, compressão de diálogo, LLMs multimodais, métricas padronizadas, coortes maiores e conjuntos de dados multimodais de acesso aberto para aprimorar realismo, acurácia diagnóstica, equidade e utilidade educacional.

## O que o estudo mostrou

Revisão sistemática seguindo PRISMA 2020, com busca em 9 bases de dados de 1 de janeiro de 2020 a 18 de agosto de 2025, incluindo 39 estudos. Sistemas de pacientes virtuais com LLMs simularam principalmente medicina interna e saúde mental, com poucos abordando multimorbidade. Técnicas como prompts baseados em papéis, aprendizado com poucos exemplos, estruturas multiagentes, integração de grafos de conhecimento (acurácia top-k de 16,02%) e ajuste fino melhoraram diálogo e acurácia diagnóstica. Avaliações com 10-50 estudantes e 3-10 especialistas mostraram acurácia top-k de 0,45-0,98, taxa de alucinação de 0,31%-5% e SUS maior ou igual a 80. Entradas multimodais melhoraram imersão.

## Limitações

O resumo informa que os estudos incluídos apresentaram risco moderado de viés, métricas inconsistentes, coortes pequenas e transparência limitada dos conjuntos de dados. Amostras pequenas e falta de controles restringem a generalização. Conjuntos de dados como MIMIC-III têm viés de UTI e falta de diversidade, afetando reprodutibilidade e validade externa. O resumo não informa detalhes sobre a seleção dos estudos ou análise de viés.

## Aplicação no consultório

Para o médico que atua na educação médica ou gestão de clínicas de ensino, os achados sugerem que sistemas de pacientes virtuais com LLMs podem ser ferramentas complementares no treinamento de anamnese, especialmente para doenças únicas de medicina interna e saúde mental. No entanto, a ausência de representação de multimorbidade limita o realismo para cenários clínicos complexos. Gestores devem considerar a necessidade de métricas padronizadas e coortes maiores antes de adotar essas ferramentas em larga escala, além de atentar para a transparência dos dados e possível viés de UTI nos conjuntos de dados.

## Perguntas para aprofundar

- Como a integração de grafos de conhecimento melhora a acurácia de sistemas de pacientes virtuais baseados em LLMs?
- Quais são as limitações dos conjuntos de dados como MIMIC-III para simulação de pacientes com multimorbidade?
- Que técnicas de prompting e ajuste fino são mais eficazes para treinar anamnese com LLMs?

Tema: LLMs e chatbots clínicos. Página: https://alphadoctor.com.br/ciencia/ia-llm-chatbots/sistemas-de-pacientes-virtuais-baseados-em-grandes-modelos-de-linguagem-sao/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.