GraphRAG para Prontuários Eletrônicos: Uma Abordagem Aumentada por Grafos para Acesso à Informação em Saúde
GraphRAG, RAG, LLM, FHIR, Grafos, Saúde
A crescente importância da saúde digital e a necessidade de uma maior literacia em saúde exigem métodos eficazes para acessar e compreender os Registos Eletrônicos de Saúde (EHRs). Embora os Modelos de Linguagem de Grande Escala (LLMs) se mostrem promissores neste domínio, a Geração Aumentada por Recuperação (RAG) tradicional enfrenta dificuldades em lidar com a natureza complexa e interconectada dos dados clínicos. A Geração Aumentada por Recuperação baseada em Grafos (GraphRAG) emerge como uma alternativa poderosa, aproveitando grafos de conhecimento (KGs) para capturar as relações semânticas nos EHRs. Este trabalho avalia a eficácia da expansão de grafos numa arquitetura GraphRAG para melhorar a recuperação de informação a partir de dados médicos formatados em FHIR. Propõem-se uma abordagem de expansão de 1--hop construída sobre uma base de pesquisa por similaridade e lexical que, embora herde algumas limitações da recuperação tradicional baseada em palavras-chave e similaridade, melhora significativamente o acesso dos LLMs a informações contextuais abrangentes e diversificadas. A nossa avaliação, utilizando dados sintéticos de pacientes e um conjunto direcionado de questões em cinco LLMs distintos, revela que a estratégia de expansão de 1--hop supera consistentemente a abordagem base em métricas subjetivas, como abrangência e diversidade, e frequentemente em métricas qualitativas, como a relevância da resposta e do contexto.