A carregar...
Publicação
Inteligência artificial na saúde obstétrica: Transformando o ObsCare com modelos de linguagem de grande escala
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 6.62 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A literatura científica na área da obstetrícia encontra-se em constante evolução.
Consequentemente, os profissionais de saúde enfrentam o desafio de acompanhar e integrar
continuamente as evidências científicas mais recentes na prática clínica. Neste contexto, tornase
essencial dispor de ferramentas que facilitem o acesso à informação científica, garantindo
que esta seja apresentada de forma rápida, fiável e atualizada. Os avanços na área da
Inteligência Artificial, em particular os Modelos de Linguagem de Grande Escala (LLMs),
demonstram capacidade para melhorar o acesso, a pesquisa e a interpretação da literatura
científica.
Esta tese explora a aplicação de LLMs na área da obstetrícia através do desenvolvimento de um
chatbot destinado a apoiar os médicos no acesso à informação clínica atualizada. O sistema foi
concebido para compreender questões formuladas em linguagem natural, pesquisar
informação em fontes científicas credíveis e apresentar respostas fundamentadas, facilitando
a atualização contínua dos profissionais de saúde. Para além disso, este trabalho avalia
diferentes estratégias de extração e segmentação da informação presente em artigos
científicos, como forma de otimizar o processo de recuperação de informação e,
consequentemente, melhorar a qualidade, a relevância e a fundamentação das respostas
geradas.
O trabalho inclui o desenvolvimento da arquitetura do sistema, composta por três módulos
dedicados à extração e ao processamento dos diferentes tipos de informação presentes em
artigos científicos, nomeadamente texto, tabelas e imagens. Esta abordagem permite
responder aos desafios associados a cada tipo de conteúdo, recorrendo a técnicas de
processamento que se adequam aos diferentes tipos de dados.
Para avaliar o desempenho do sistema, foi realizado um estudo comparativo entre diferentes
abordagens de recuperação de informação e diferentes LLMs. A avaliação da recuperação de
informação clínica recorreu a métricas quantitativas, enquanto a avaliação das respostas
geradas recorreu à metodologia LLM-as-a-Judge. Os resultados obtidos sugerem que a solução
proposta apresenta um desempenho promissor, alcançando valores de 0,901 para a relevância
do contexto recuperado, 0,960 para a fidelidade das respostas à informação recuperada e 0,922
para a relevância das respostas, utilizando o modelo Qwen 3 32B.
Desta forma, este trabalho contribui para o desenvolvimento de chatbots para apoiar os
profissionais de saúde que trabalham na área da obstetrícia, propondo uma arquitetura para
recuperação e consulta de literatura científica que facilita o acesso a informação clínica
relevante e atualizada.
Descrição
Palavras-chave
Apoio à Decisão Clínica Chatbot Inteligência Artificial Modelos de Linguagem de Larga Escala Obstetrícia Processamento de Linguagem Natural Apoio à decisão clínica Inteligência Artificial Modelos de Linguagem de Grande Escala Obstetrícia Processamento de linguagem natural