Transformação Digital no InRad: Automação de Pré-Laudos Radiológicos com IA Generativa e AWS

O Instituto de Radiologia do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo – InRad, vem desde a sua criação através do decreto nº 39.469, datado de 04 de novembro de 1994, cumprindo perante o Sistema HCFMUSP e a sociedade, sua missão de promover o conhecimento científico, por meio das atividades de ensino, pesquisa, formação e capacitação de recursos humanos, prestação de serviços de atenção à saúde e tratamento na área de diagnóstico por imagem e oncologia terapêutica. O InRad tem como foco a qualidade do atendimento, e isso, demanda um contínuo investimento em infra-estrutura, aquisição de tecnologia de ponta, expansão dos seus serviços e, principalmente, a manutenção do seu capital intelectual, alinhado a um corpo de profissionais altamente qualificado. Uma característica importante é o investimento em parcerias público-privadas, que permitem viabilizar projetos de vanguarda, como o Cíclotron, que é a primeira Unidade de Produção de Radiofármacos instalada em hospital público. O InRad equipa o HCFMUSP com os mais modernos recursos diagnósticos e terapêuticos por imagem direcionados ao atendimento de pacientes ambulatoriais e internados nas modalidades de radiologia, medicina nuclear, radiologia intervencionista e radioterapia, tornando-se um centro de excelência e referência nacional e internacional.

O InRad tem, ainda, o Centro de Diagnóstico por Imagem das Doenças da Mama (CEDIM) e o Núcleo Técnico-Científico de Diagnóstico por Imagem (NDI). Esse último implementou o sistema de armazenamento e distribuição digital de imagens, que dá acesso às informações para qualquer unidade do hospital e dispensou a impressão dos laudos e imagens dos exames. Anualmente são realizados no Instituto cerca de 330 mil exames de diagnósticos de alta complexidade.

Contexto do Projeto

O projeto foi iniciado com o objetivo de automatizar a geração de pré-laudos radiológicos utilizando IA Generativa (GenAI). A AWS inicialmente envolveu outro parceiro, que realizou a parte consultiva, mas enfrentou dificuldades na entrega do produto final. A dataRain Consulting foi então convidada para liderar a implementação e aprimorar a solução.

Objetivo Principal

Criar uma solução baseada em GenAI que agregue valor ao trabalho dos radiologistas, utilizando diferentes fontes de dados (formulários médicos, pedidos de exame e históricos clínicos) para otimizar e padronizar a elaboração de laudos radiológicos.

Principais Desafios Identificados

1. Processo Manual: O fluxo inicial envolvia muitas etapas manuais, dificultando a escalabilidade e a adoção da solução.
2. Volume de Dados: A primeira iteração do projeto contou com apenas 1000 pacientes, o que foi considerado insuficiente para validação robusta do modelo de IA.
3. Integração com Sistemas: O sistema precisava ser integrado ao MV (prontuário eletrônico utilizado no hospital), mas a definição do escopo de integração ainda estava em andamento.
4. Qualidade das Sumarizações: A equipe identificou que os pré-laudos gerados não estavam suficientemente detalhados, demandando aprimoramentos.

Arquitetura da Solução

1. Upload de Dados: O analista de dados do hospital carrega arquivos .csv (contendo questionários e resultados de exames laboratoriais) para a AWS.
2. Armazenamento e Processamento: Os dados são armazenados no Amazon S3 e processados por AWS Step Functions e AWS Lambda, que organizam e anonimiza os arquivos por paciente.
3. Geração do Pré-Laudo: Um modelo LLM da Amazon Bedrock recebe os dados e gera um sumário clínico do paciente.
4. Validação e Acesso: Os médicos acessam os pré-laudos por meio de um link armazenado no S3. A informação é então validada antes de ser incorporada ao fluxo clínico.
5. Segurança e Compliance: Após a validação, os dados são removidos do ambiente AWS para garantir conformidade com regras de segurança do hospital.

Resultados Iniciais

• 83,3% dos sumários gerados receberam nota 4 ou 5 (máxima)
• 93,3% dos sumários foram considerados livres de alucinações (erro comum em modelos de IA)
• Economia de tempo para os radiologistas, que passaram a visualizar informações organizadas de forma mais rápida e estruturada.

Evolução do Projeto e Próximos Passos

1. Nova Sumarização com Maior Volume de Dados
   • A sumarização será desacoplada para permitir o uso por outras áreas do hospital.
2. Expansão do Projeto para Outras Áreas
3. Automatização das Integrações
   • Reduzir a necessidade de processos manuais, acelerando a integração com o sistema do hospital.
   • Validar a possibilidade de incorporar novas fontes de dados para uma sumarização mais completa.