Geração Aumentada por Recuperação (RAG) em Saúde: Uma Revisão Abrangente

A Geração Aumentada por Recuperação (RAG) aprimora grandes modelos de linguagem (LLMs) integrando a recuperação de conhecimento externo para melhorar a consistência factual e reduzir alucinações. Apesar do interesse crescente, seu uso em saúde permanece fragmentado. Este artigo apresenta uma Revisão Sistemática da Literatura (SLR) seguindo as diretrizes PRISMA, sintetizando 30 estudos revisados por pares sobre RAG em domínios clínicos, focando em três de suas aplicações mais prevalentes e promissoras: suporte ao diagnóstico, sumarização de prontuários eletrônicos (EHR) e resposta a perguntas médicas. Sintetizamos as variantes arquiteturais existentes (ingênua, avançada e modular) e examinamos sua implantação nessas aplicações. Desafios persistentes são identificados, incluindo ruído de recuperação (informação recuperada irrelevante ou de baixa qualidade), mudança de domínio (degradação de desempenho quando modelos são aplicados a distribuições de dados diferentes de seu conjunto de treinamento), latência de geração e explicabilidade limitada. Estratégias de avaliação são comparadas usando métricas padrão e métricas clínicas específicas, FactScore, RadGraph-F1 e MED-F1, que são particularmente críticas para assegurar precisão factual, validade médica e relevância clínica. Esta síntese oferece uma perspectiva focada no domínio para guiar pesquisadores, provedores de saúde e formuladores de políticas no desenvolvimento de sistemas de IA confiáveis, interpretáveis e alinhados clinicamente, estabelecendo as bases para inovação futura em soluções de saúde baseadas em RAG.