RAGMed: Um Assistente Médico de IA Baseado em RAG para Melhorar a Prestação de Serviços de Saúde

Registros Eletrônicos de Saúde (EHRs) melhoraram o acesso a informações médicas, mas também introduziram desafios para os profissionais de saúde, como aumento da carga documental e redução da interação presencial com os pacientes. Para mitigar esses problemas, propomos o RAGMed, um assistente de IA baseado em Retrieval-Augmented Generation (RAG) projetado para fornecer respostas automatizadas e clinicamente fundamentadas a perguntas frequentes dos pacientes. Este sistema combina um banco de dados vetorial para recuperação semântica com as capacidades generativas de um grande modelo de linguagem para fornecer respostas precisas e confiáveis sem necessitar da participação direta do médico. Além do suporte voltado ao paciente, o assistente facilita o agendamento de consultas e auxilia os clínicos resumindo anotações clínicas, otimizando assim os fluxos de trabalho em saúde. Adicionalmente, para avaliar a influência da qualidade da recuperação no desempenho geral do sistema, comparamos dois modelos de embeddings, gte-large e all-MiniLM-L6-v2, utilizando consultas médicas do mundo real. Os modelos são avaliados dentro do RAG-Triad Framework, focando na relevância do contexto, relevância da resposta e fundamentação factual. Os resultados indicam que o gte-large, devido às suas embeddings de alta dimensionalidade, recupera contextos mais informativos, resultando em respostas mais precisas e confiáveis. Essas descobertas enfatizam a importância não apenas do potencial de incorporar sistemas baseados em RAG para aliviar a carga dos médicos e aprimorar a eficiência e acessibilidade da prestação de serviços de saúde, mas também da dimensionalidade dos modelos usados para gerar embeddings, pois isso influencia diretamente a relevância, precisão e entendimento contextual das informações recuperadas. Este protótipo é destinado ao atendimento de perguntas frequentes médicas e consultas informacionais gerais com recuperação aumentada, não sendo projetado para uso diagnóstico ou recomendações de tratamento sem validação profissional.