Credibilidade Sobre Auditabilidade: Uma Estrutura de Aplicação de Grafo de Conhecimento para Autoverificação Assistida por IA em Laboratórios Regulados pela CLIA/CAP

A liberação automatizada dos resultados de amostras (autoverificação) é prática padrão em laboratórios clínicos de alto volume que operam sob acreditação CLIA e CAP. A introdução de agentes de IA nesse fluxo de trabalho cria uma lacuna de credibilidade regulatória que a infraestrutura atual de auditoria não foi projetada para abordar: os sistemas atuais podem gerar um registro do que um agente de IA fez, mas não podem provar que o agente foi restrito a caminhos decisórios válidos durante a execução. Apresentamos labintrace, uma estrutura de aplicação em três camadas que posiciona um Grafo de Conhecimento (KG) regulatório contendo os requisitos CLIA/CAP e as regras Westgard QC como uma restrição rígida de execução, em vez de uma fonte de consulta. A estrutura diferencia entre duas reivindicações fundamentais de auditoria — "não existem resultados inválidos na saída final" (fraco, pós-hoc) versus "nenhum caminho decisório inválido foi percorrido durante a execução" (forte, comprovável). Esta última é o que a inspeção CAP exige e o que nenhum sistema atual de autoverificação por IA fornece. A estrutura incorpora a detecção de In-Context Reward Hacking (ICRH), adaptada de Pan et al. (ICML 2024), para identificar agentes de IA que otimizam objetivos proxy — como rendimento de amostras — em detrimento das restrições de segurança do paciente. Um rastro de auditoria encadeado por hash, construído durante a execução e não posteriormente, fornece prova criptográfica do caminho decisório exato executado.