Na medicina, a formação e as ferramentas disponíveis ao profissional servem a um objetivo em comum: tomar a decisão correta. Qual tratamento utilizar, qual medicação recomendar – essas são decisões que precisam ser rápidas e eficientes, pois vidas dependem delas. Como seria possível construir uma estrutura que pudesse auxiliar os médicos em tarefas repetitivas e extenuantes, como a tomada de decisões baseadas em documentos extensos, como o RSE (Relatório de Saúde Eletrônico)?

O objetivo deste artigo é mostrar a implementação de um LLM na utilização da técnica de sumarização. O modelo escolhido será o Llma 2b, em um processo que vai desde o "business problem" até o deployment do modelo com a ferramenta de prototipagem Gradio.

• Llma 2b: é uma geração de modelos open source desenvolvidos pela Meta, que, como o nome sugere, possui uma rede neural de 2 bilhões de parâmetros.
• Gradio: é um pacote open source criado com base em Python usado para prototipagem de modelos de machine learning e APIs.
• LLMs: é a sigla para Large Language Models. São modelos treinados com uma grande quantidade de dados obtidos de toda a internet. No geral, eles podem executar tarefas como classificação de sentimentos, reconhecimento de diálogo tóxico e, o nosso foco neste artigo, sumarização.
• Sumarização: é a habilidade que um LLM tem de "resumir" uma certa quantidade de informações, que podem vir de documentos, texto ou áudio.

Keys: Llma-2b, GenerativeAI, ML, Medicina, Decision Making AI, Open Source

1. Etapas

Primeiro vamos definir quais os passos para a implementação da solução proposta.

1. Definir o problema

2. Escolher dados para o problema

3. Escolher modelo

4. Instalar e importar recursos necessários

5. Solicitar acesso ao modelo via Hugging Face Token

6. Definir características do modelo

7. Definir o padrão de resposta e direcionamento

8. Definir qual texto será sumarizado

9. Solicitar sumarização

10. Observar respostas

11. Construir Interface

12. Avaliar resultados

1.1 Requisitos

Todo o código escrito durante este processo foi feito com base na linguagem dinâmica Python.

A IDE escolhida fica a critério de preferência, mas recomendo o uso de ambientes virtuais onde é possível utilizar acesso a GPU, o que torna o treinamento mais veloz.

1.2 Pacotes

Para que seja possível seguir, é necessário que as seguintes ferramentas estejam presentes:

- torch

- transformers

- langchain 

- gradio

2. Definir problema

No contexto apresentado, a aplicação de IA para sumarização de RSE (Registro de Saúde Eletrônico) parece ser justificada e relevante. Aqui estão alguns pontos que sustentam essa afirmação:

1. Complexidade dos Dados: Os registros de saúde eletrônicos podem conter uma grande quantidade de informações, incluindo histórico médico, resultados de exames, prescrições e notas de saúde. A análise manual desses dados pode ser demorada e propensa a erros, enquanto a IA pode ajudar a extrair e resumir as informações mais relevantes de forma eficiente.

2. Necessidade de Tomada de Decisão Rápida: Os profissionais de saúde muitas vezes precisam tomar decisões rápidas e precisas durante as consultas. Ter um resumo conciso e relevante do histórico médico do paciente pode ajudar os profissionais a entender rapidamente a situação do paciente e tomar decisões informadas.

3. Otimização do Tempo: Com a ajuda da IA para sumarização de RSE, os profissionais de saúde podem economizar tempo valioso entre as consultas, pois não precisam passar por todo o registro do paciente para obter as informações necessárias.

Portanto, considerando a complexidade dos dados de RSE , a necessidade de tomada de decisão rápida e a otimização do tempo dos profissionais de saúde, a aplicação de IA para sumarização de RSE parece ser justificada e benéfica.

2.1 Código

Os passos que se seguem envolvem código e, por este motivo, não vou detalhar no notebook. Apresentarei um diagrama de como o processo será feito e vou disponibilizar acesso ao código no meu Github para quem quiser conferir.

interface criada via gradio, possui duas caixas de diálogo uma a qual receberá o RSE (texto) e outra que retornará a sumarização/resposta do modelo.

3. Conclusão

Utilizando um modelo de código aberto (Llama-2b) e uma ferramenta de prototipagem como o Gradio, podemos observar o potencial do uso da IA em ambientes como consultórios médicos. Não como uma forma de substituir o profissional, mas sim de auxiliá-lo em suas decisões e permitir que o tempo gasto em tarefas massantes seja convertido em cuidado e preservação da vida.

4. Referências

• Documentação Langchain
• HuggingFace
• Meta Llma
• RSE (Registro de Saúde Eletrônico)
• Para entender e definir o problema
• Código no Github

Boa sorte,

att CLL :)