Gerador de relatórios privados com IA

Visão Geral da Solução

As equipes de saúde enfrentam uma Crise de Documentação que Ameaça a qualidade do Tratamento . Em unidades especializadas como a oncologia, os pacientes geralmente chegam após anos de tratamento em outro lugar e têm uma longa lista de relatórios digitalizados, PDFs, escritas de condições, resumos de imagens e resultados de laboratório. Esses documentos geralmente estão espalhados por sistemas digital desconectados e ainda armazenados fisicamente em cópias de papel, deixando os dados de cada usuário fragmentados e difíceis de navegar.

Para discutir casos individuais de pacientes, MDT se reúne semanal ou mensalmente. No entanto, antes de cada reunião, coordenadores, auxiliares de saúde ou residentes devem reconstruir a história, extrair dados importantes, resolver contradições, normalizar a terminologia e construir uma linha do tempo coerente. Como resultado, esses profissionais de saúde acabam gastando muitas horas extraindo manualmente dados críticos de documentos médicas não estruturados apenas para reunir o histórico médico de um cliente.

Essa extração manual retarda a tomada de decisões médicas, introduz erros humanos e cria inconsistências que podem impacto o cuidado nos registros de pacientes. O resultado é atraso no cuidado, operações ineficientes e crescente esgotamento entre os profissionais de saúde que escolheram a saúde para atender às pessoas, não para gerenciar documentos.

A solução descrita aqui automatiza essa preparação extraindo entidades específicas da especificidade usando modelos configuráveis e armazenando cada fato extraído com procedência para que os profissionais de saúde possam validá-la rapidamente. O MongoDB fornece um sistema de registro flexível e auditável para modelos, entidades extraídas e seus links de volta para documentos de origem.

Arquiteturas de referência

As equipes médicas começam sua vida selecionando um cliente existente a partir do conjunto de dados predefinido da demonstração, o que as redireciona para a página de visão geral do documento do cliente, onde todos os registros médicas associadas são exibidos em uma interface organizada. Por motivos de segurança, o demonstração restringe a adição de novos documentos ou pacientes, mas essas funcionalidades podem ser ativadas seguindo as etapas de configuração durante a configuração do sistema.

Na página de visão geral do usuário, os profissionais de saúde podem revisar os documentos médicas existentes já associados a esse registro do usuário. Nesse estágio, os documentos existem como arquivos brutos armazenados no MongoDB sem nenhum processamento ou extração de entidade. No sistema de produção completo, as equipes carregavam novos documentos por meio da funcionalidade intuitiva de arrastar e soltar, aceitando qualquer formato, incluindo PDFs, imagens médicas, arquivos de texto e documentos XML.

figura 1. Visão geral dos documentos do usuário

Antes de processar documentos, os profissionais da saúde podem personalizar seus requisitos de extração acessando a Configuração do modelo por meio de um menu localizado na seção superior direita da interface. Esse painel de configuração permite que as equipes médicas definam exatamente quais tipos de entidade, regras de processamento e formatos de saída as ferramentas de IA devem extrair. O sistema vem com uma biblioteca abrangente de entidades médicas, incluindo demografia de pacientes, diagnósticos, trata- mentos e marcadores Molecular . As equipes podem selecionar ou criar apenas as entidades relevantes para suas especializações. Por exemplo, as equipes de oncologia podem configurar parâmetros de extração diferentes das equipes de cardinologia ou traumatologização, garantindo que o sistema se adapte a requisitos específicos.

figura 2. Processo de definição do modelo

Com os modelos já configurados, os profissionais de saúde podem acionar manualmente o processamento de documento para cada pacote de documento de pacientes que desejam analisar. Essa ação inicia a fase de extração da entidade em que os documentos entram no Processador de Documentos, que usa o OCR para extrair texto de imagens e materiais digitalizados. O sistema normaliza inconsistências de formatação e prepara o conteúdo para análise inteligente por meio de um fornecedor de LLM, como o AWS ReadRock para essa implementação. A IA extrai entidades de acordo com as especificações do modelo pré-configuradas, e essas entidades extraídas são então armazenadas no MongoDB vinculadas a seus documentos de origem.

Quando os documentos tiverem sido processados e as entidades extraídas, os profissionais da saúde poderão gerar relatórios de MDT. O Gerador de Relatórios MDT opera como uma função separada na seção de relatórios da interface. Em vez de realizar a extração de novas entidades, o gerador agrega e organiza as entidades que foram extraídas e armazenadas anteriormente durante a fase de processamento do documento . O sistema combina entidades de vários documentos processados para o doente selecionado, aplica regras de formatação de modelo e organiza os dados cronologicamente.

figura 3. Visualizador de relatório MDT

Depois que os relatórios MDT são gerados, as equipes médicas podem validar o desempenho da IA com os dados do Realm abaixo fornecidos para comparação na seção Observabilidade. Essa funcionalidade de avaliação permite que os profissionais da saúde carreguem extrações de entidades verificadas como padrões de referência e as comparem com os relatórios MDT gerados por IA. Esse processo de avaliação ajuda as equipes a entender as características de desempenho da IA e a refinar suas configurações de modelo para obter os melhores resultados em seu contexto específico.

Em todo esse fluxo de trabalho, o MongoDB mantém uma separação clara entre documentos brutos, entidades processadas e relatórios gerados, permitindo a rápida recuperação de cada componente.

Por fim, a viagem termina com uma compreensão abrangente dos insights físicos extraídos dos documentos do cliente e das métricas de desempenho do próprio sistema de IA. Essa abordagem garante que as equipes não apenas recebam relatórios valiosos de MDT, mas também confiem na confiabilidade e na precisão do processamento de IA por trás dessa geração de MDT.

figura 4. Diagrama de arquitetura do gerador de relatórios médicas alimentada por IA

O papel da IA na extração de entidades médicas

O processo de extração de entidades orientado por IA representa a inteligência central que transforma documentos médicas não estruturadas em dados internos acionados. Os LLMs avançados operam por meio de serviços de IA baseados na nuvem como o principal mecanismo de extração, seguindo um processo sofisticado de várias etapas, descrito na figura 5, que combina instruções orientadas por modelos com compreensão específica do domínio.

figura 5. Diagrama de fluxo de trabalho de IA

O processo de extração começa quando os documentos processados chegam ao componente Extrator de Entidades, onde o modelo LLM recebe instruções específicas por meio de modelos configuráveis. Conforme explicado na figura 5, esses modelos funcionam como uma engenharia de prompt detalhada que direciona a atenção do LLM para conceitos médicas relevantes, ao mesmo tempo em que aplica lógica de processamento específica da especiali- dade .

Cada definição de entidade especificada em um modelo fornece ao LLM parâmetros de extração precisos. Por exemplo, a entidade Data de Diagnóstico instrui o modelo a localizar as datas de diagnóstico de biometria e, ao mesmo tempo, diferenciá-las das datas de início dos sinais ou do início do tratamento. O LLM recebe contexto sobre tipos de documento , formatos esperados e importância médica para garantir uma identificação precisa e aplica esse contexto e restrições ao processar os documentos disponíveis.

O sistema de modelo implementa três tipos de processamento distintos que orientam o comportamento de extração do LLM:

• Processamento de correspondência: esse método direciona o modelo para extrair a instância confiável inicial de entidades definitivas, como dados demográficos do doente.

• Processamento agregado: quando selecionado, ele instrui o LLM a coletar todas as menções de acúmulo de informações, como histórico de comprimidos, e, em seguida, aplica lógica de eliminação de duplicação inteligente.

• Processamento filtrado por origem: se ativado, orienta o modelo a priorizar tipos de documento específicos ao extrair entidades específicas.

Após a etapa de Definição do modelo ser concluída e um novo modelo ser selecionado, a fase de “Prontidão do LLM” começa (consulte a figura 2). A plataforma constrói queries avançadas que extraem entidades médicas. Cada query segue uma estrutura padronizada que começa com um prompt conciso do sistema:

Você é especialista em extrair dados relevantes de documentos. Você terá que...

Esta instrução no nível do sistema estabelece o contexto da função e da experiência do LLM antes de apresentar a tarefa de extração específica. A query final encapsula o conteúdo do documento e as especificações da entidade em tags XML estruturadas. A seção de documento contém o texto médico processado, enquanto a seção de entidades fornece instruções de extração detalhadas para cada entidade de destino. Essa abordagem garante que o LLM receba diretivas claras e estruturadas.

As entidades extraídas geradas pelo modelo se tornam dados estruturados que permitem a Síntese Médica Inteligente para a criação do produto final, o Relatório MDT. A compreensão contextual do modelo preserva as relações médicas entre os conceitos extraídos, permitindo que a plataforma construa saídas estruturadas a partir de informações médicas não estruturadas anteriormente.

Essa abordagem alimentada pelo LLM demonstra como modelos avançados de linguagem podem servir como ferramentas eficazes no ambiente médico quando guiados adequadamente por meio de modelos específicos de domínio e lógica de processamento com reconhecimento de fonte.

Como resultado, esta solução permite que as equipes médicas transformem o desafio tradicional de extrair significado de milhares de documentos consultas em um processo automatizado que aumenta a experiência médica.

Construir a solução

Para obter instruções de configuração detalhadas, siga as etapas descritas no README do repositório do GitHubamento de soluções empresariais. Este repositório hospeda o backend e o frontend da demonstração do Gerador de Relatórios Médicas Acionado por IA.

Para reproduzir esta demonstração em seu próprio ambiente, siga estas etapas:

git clone https://github.com/mongodb-industry-solutions/hc-mdt-report-generator.git
cd hc-mdt-report-generator

MONGODB_URI=mongodb+srv://<user>:<password>@<cluster-url>/?retryWrites=true&w=majority
MONGODB_DB=your_database_name
AWS_REGION=us-east-1
AWS_ACCESS_KEY_ID=your_access_key (if used)
AWS_SECRET_ACCESS_KEY=your_secret_key (if used)
SECRET_KEY=your_secure_secret_key
LLM_PROVIDER=bedrock

make install

python scripts/bulk_data_ingestion.py
python scripts/add_template_to_mongodb.py

make backend

make frontend

Principais Aprendizados

• Automatize a extração de dados e reduza os erros manuais: a dependência de profissionais da saúde para extrair manualmente informações de PDFs, verificações e relatórios de texto livre torna os processos ineficientes e aumenta os erros humanos. À medida que os históricos dos pacientes aumentam em tamanho e complexidade, manter uma abordagem manual introduz inconsistências nos registros e atrasa as decisões médicas.

• Aumentar as equipes médicas usando IA: o valor da IA nesse contexto não é a tomada de decisão autônoma, mas a extração rápida e consistente de entidades médicas estruturadas a partir de dados não estruturados. Ao processar dados abertamente a partir de vários documentos e criar relatórios detalhados, essa solução guiada por IA ajuda as equipes médicas a gerenciar os desafios da documentação sem alterar o fluxo de trabalho da tomada de decisões.

• Personalize a extração de entidades médicas com modelos: diferentes especializações médicas têm requisitos de dados diferentes. As equipes de oncologia, cardinologia e traumatologização não procuram os mesmos sinais nos documentos dos pacientes. Essa extração de entidade orientada por modelo ajuda os sistemas de IA a se ajustarem a diferentes situações médicas, garantindo que os resultados sejam relevantes, utilizáveis e alinhados com as necessidades de cada especialista.

• Preservar a procedência e a auditabilidade: o MongoDB ajuda a reter todo o contexto de extração, incluindo as versões do modelo e a procedência, permitindo que os profissionais de saúde rastreiem cada fato extraído até sua origem.

Autores

• Patricia Renart Carnicero, MongoDB

• Francesc Mateu Amengual, MongoDB

• Sakshi Gark, MongoDB

Saiba mais

• Inteligência para centrais de atendimento viabilizada por AI

• Assistência médica viabilizada por AI com a MongoDB e a Microsoft

• Camada Híbrida de Dados Operacionais FHIR