Automated ICD Classification of Psychiatric Diagnoses: From Classical NLP to Large Language Models

Automação de diagnósticos psiquiátricos: como a IA está revolucionando a classificação de doenças mentais

O impacto global dos transtornos mentais nunca foi tão evidente. Com o aumento da conscientização sobre a saúde mental, clínicas, hospitais e planos de saúde enfrentam uma montanha de papelada burocrática. Cada diagnóstico precisa ser codificado manualmente no sistema CID (Classificação Internacional de Doenças), um processo lento, propenso a erros e que consome horas preciosas de profissionais de saúde. Agora, um estudo inovador aponta um caminho promissor: usar inteligência artificial para automatizar essa tarefa.

O problema da codificação manual na psiquiatria

Imagine um psiquiatra que precisa descrever em texto livre o estado de um paciente com depressão grave e ideação suicida. Depois, outro profissional precisa traduzir essa descrição para o código correto da CID, como F32.2 (Episódio depressivo grave sem sintomas psicóticos). Esse processo manual é não apenas demorado, mas também subjetivo. Diferentes profissionais podem interpretar a mesma descrição de maneiras distintas, gerando inconsistências nos registros médicos e nos dados epidemiológicos.

No Brasil, onde o Sistema Único de Saúde (SUS) atende milhões de pessoas, a automação da classificação diagnóstica poderia reduzir drasticamente o tempo de espera por laudos e melhorar a qualidade dos dados usados em políticas públicas de saúde mental.

O estudo: 145 mil descrições psiquiátricas em espanhol

Pesquisadores utilizaram um banco de dados especializado contendo 145.513 descrições psiquiátricas em espanhol. O objetivo era claro: mapear textos livres para os códigos da CID usando técnicas de Processamento de Linguagem Natural (PLN) e Aprendizado de Máquina. Foram testadas desde abordagens clássicas até os modelos de linguagem mais modernos disponíveis.

• Modelos clássicos: Bag of Words (BoW) e TF-IDF – métodos que contam palavras e suas frequências, mas ignoram o contexto.
• Modelos avançados: e5_large, BioLORD e Llama-3-8B – grandes modelos de linguagem (LLMs) que entendem semântica, contexto e nuances do jargão médico.

Resultados impressionantes com transformers

A conclusão foi clara: os embeddings baseados em transformer (a tecnologia por trás do ChatGPT) superaram consistentemente os métodos tradicionais. Eles conseguiram capturar pistas semânticas implícitas e terminologia médica sutil que os modelos mais simples simplesmente ignoram.

O modelo e5_large, após um ajuste fino completo (fine-tuning), alcançou o melhor desempenho com um impressionante escore F1_micro de 0,866. Isso significa que ele acertou quase 87% das classificações, um resultado excelente para uma tarefa tão complexa como a codificação psiquiátrica.

Por que isso é um divisor de águas para a saúde mental

A pesquisa revela dois desafios cruciais na automação diagnóstica: a distribuição de "cauda longa" (long-tail) e a ambigüidade inerente ao discurso psiquiátrico. Muitos diagnósticos são raros, e os modelos precisam lidar com descrições vagas ou contraditórias – algo comum na área de saúde mental, onde um paciente pode descrever sintomas de maneiras muito diferentes.

A adaptação de grandes modelos de linguagem (LLMs) ao jargão clínico se mostrou essencial. Enquanto um modelo genérico pode confundir "ansiedade generalizada" com "transtorno de pânico", o modelo ajustado com dados psiquiátricos específicos consegue distinguir essas nuances com precisão.

Impacto no mercado brasileiro de saúde tech

Para startups e empresas de tecnologia em saúde (healthtechs) no Brasil, essa descoberta abre oportunidades concretas. Imagine sistemas de prontuário eletrônico que já sugerem automaticamente o código CID enquanto o médico digita o relatório. Ou plataformas de telemedicina que reduzem o tempo de fechamento de consultas psiquiátricas em até 40%, permitindo que os profissionais atendam mais pacientes com a mesma qualidade.

Além disso, a padronização dos dados permite análises populacionais mais precisas. Operadoras de planos de saúde poderiam identificar surtos de depressão entre adolescentes em determinadas regiões com muito mais rapidez, direcionando recursos de prevenção de forma inteligente.

O futuro da classificação automática de diagnósticos

Os pesquisadores recomendam que estudos futuros incorporem dados clínicos adicionais, como exames laboratoriais e escalas de avaliação, para melhorar ainda mais a acurácia dos modelos. A integração com sistemas de suporte à decisão clínica pode transformar a forma como a psiquiatria é praticada, reduzindo a carga administrativa e permitindo que os médicos foquem no que realmente importa: o cuidado com o paciente.

A mensagem final do estudo é clara: a tecnologia já existe para automatizar grande parte do trabalho burocrático de codificação de diagnósticos psiquiátricos. O próximo passo é adaptar esses modelos à realidade brasileira e integrá-los aos sistemas de saúde com segurança e ética.