Modelos de linguagem de grande porte podem apoiar o manejo extra-hospitalar personalizado do câncer de mama com precisão e segurança comparáveis entre si?
Resposta curta: Em estudo prospectivo randomizado cego, GPT-o3 e DeepSeek-R1 apresentaram bom desempenho no manejo extra-hospitalar do câncer de mama, com escores concentrados em 3 e 4 pontos. Houve diferença estatisticamente significativa em precisão, personalização e cuidado emocional, favorável ao DeepSeek-R1, sem diferença significativa em efetividade e segurança.
Resposta
O estudo avaliou a aplicação de modelos de linguagem de grande porte no manejo extra-hospitalar personalizado de pacientes com câncer de mama, considerando precisão, efetividade, segurança, personalização e cuidado emocional. A proposta parte da premissa de que esse manejo personalizado pode melhorar significativamente a qualidade de vida das pacientes, e os autores buscaram verificar se os modelos poderiam desempenhar esse papel com qualidade.
Para isso, foi construído um pipeline de limpeza e classificação de dados que resumiu três cenários principais de manejo extra-hospitalar. A partir de dados autênticos de prontuário eletrônico de 10 pacientes com informações de identificação mascaradas, foram gerados 100 pacientes virtuais, com os quais GPT-o3 e DeepSeek-R1 conduziram a geração de conversas. Quatro especialistas avaliaram as respostas em cinco dimensões, usando escala Likert.
Os resultados mostraram que ambos os modelos tiveram bom desempenho, com escores concentrados principalmente em 3 e 4 pontos. Foram observadas diferenças estatisticamente significativas entre DeepSeek-R1 e GPT-o3 em precisão, personalização e cuidado emocional (P < 0.01), enquanto os valores de P para efetividade e segurança foram 0.231 e 0.086, respectivamente. Além disso, o DeepSeek-R1 gerou aproximadamente 1.8 vezes mais tokens no mesmo tempo, com menor custo econômico e menor tempo de resposta.
Os autores concluem que GPT-o3 e DeepSeek-R1 demonstraram desempenho personalizado, empático e preciso no manejo extra-hospitalar de pacientes com câncer de mama, com melhor desempenho geral do DeepSeek-R1, especialmente em personalização, cuidado emocional e precisão. Ressaltam, ainda, a necessidade de mais pesquisas para desenvolver modelos com incorporação de conhecimento específico, de modo a reduzir detractores como respostas alucinatórias ou prolixas.
Para o médico, o estudo sugere que esses modelos podem ser considerados como ferramentas de apoio na comunicação e no acompanhamento extra-hospitalar, mas a incorporação à rotina deve ser cautelosa, dada a necessidade de validação adicional e de mitigação de respostas alucinatórias ou excessivamente longas.
O que o estudo mostrou
Estudo prospectivo randomizado cego que construiu um pipeline de limpeza e classificação de dados para resumir três cenários de manejo extra-hospitalar. A partir de prontuários eletrônicos de 10 pacientes com identificação mascarada, foram gerados 100 pacientes virtuais para conversas com GPT-o3 e DeepSeek-R1. Quatro especialistas avaliaram as respostas em cinco dimensões por escala Likert. Ambos os modelos pontuaram principalmente entre 3 e 4, com diferenças significativas em precisão, personalização e cuidado emocional (P < 0.01), mas não em efetividade (P = 0.231) e segurança (P = 0.086).
Limitações
O resumo não informa detalhes sobre o desenho completo, critérios de randomização ou cegamento, nem sobre o perfil dos avaliadores. Os dados derivam de pacientes virtuais gerados a partir de prontuários de 10 pacientes, o que limita a generalização. Os autores apontam necessidade de mais pesquisas para reduzir respostas alucinatórias ou prolixas, e o resumo não informa limitações adicionais.
Aplicação no consultório
Os achados apoiam a avaliação cautelosa de modelos de linguagem como apoio à comunicação e ao acompanhamento extra-hospitalar de pacientes com câncer de mama, com atenção à personalização e ao cuidado emocional. Na gestão do consultório, o menor custo e o menor tempo de resposta do DeepSeek-R1 podem orientar escolhas de ferramentas, mas a incorporação exige supervisão médica e validação local para mitigar respostas alucinatórias ou prolixas.
Estudo citado
Large language models could be applied in personalized out-of-hospital management for breast cancer: a prospective randomized single blind study. Scientific reports, 2025.
Autores: Wang Q, Chen Z, Zhang H, Zhou Y, Du C, Hu W, Lv X, Xie T, Zheng H.
DOI: 10.1038/s41598-025-18759-4 · PubMed: PMID 41023208
Perguntas para aprofundar
- Como modelos de linguagem de grande porte podem ser integrados ao acompanhamento extra-hospitalar de pacientes com câncer de mama na prática clínica?
- Quais dimensões de qualidade devem ser monitoradas ao usar modelos de linguagem na comunicação com pacientes oncológicas?
- Que estratégias podem reduzir respostas alucinatórias ou prolixas de modelos de linguagem no manejo extra-hospitalar?
Mais sobre IA para previsão de no-show, agendamento e gestão de clínicas
- Chamadas de voluntários priorizadas por algoritmo preditivo de no-show aumentam o comparecimento de novos pacientes na atenção primária?
- Lembretes traduzidos e ligações em idioma preferido aumentam o agendamento de mamografia em mulheres de minorias linguísticas?
- Quais são os determinantes de comparecimento e não comparecimento aos programas de rastreamento de câncer na Holanda?
- A terapia cognitivo-comportamental em grupo é eficaz para reduzir sintomas e melhorar dimensões psicológicas positivas na síndrome da fadiga crônica em contexto clínico routine?
- Visitas médicas grupais com mindfulness por telessaúde melhoram dor e interferência em pacientes com lombalgia crônica na atenção primária?
Todas as perguntas sobre IA para previsão de no-show, agendamento e gestão de clínicas · Todos os temas · Versão em markdown