MODELOS DE LINGUAGEM DE GRANDE ESCALA APLICADOS À SISTEMAS DE SAÚDE

Resumo

Feridas crônicas e agudas são um problema de saúde pública: seu manejo exige avaliar tipo de tecido, profundidade, infecção e exsudato para decidir a conduta e a urgência do encaminhamento. Modelos de IA que analisam só a imagem chegam perto do especialista, mas falham em casos atípicos e complexos, e as soluções locais são fragmentadas: classificadores únicos, sem percepção interpretável e verificação. Esse trabalho desenvolve e avalia o Wound Assessment Multi-Agent (WAMA), um pipeline modular com modelos pequenos (até 10B parâmetros) rodando localmente, organizado em três estágios: um Perceptor (percepção visual), um Residente (raciocínio clínico e encaminhamento) e Auditores (verificação da saída). Usando o WoundCareVQA (279 casos) e F1-macro contra um piso ingênuo e o teto de concordância humana, o Perceptor (InternVL3.5-8B) supera o piso ingênuo nos seis atributos avaliados, com vários no teto humano. O Residente (nikita, fine-tune do Qwen3.5-9B) atinge 100% de confiabilidade técnica e encaminha 98% dos casos que o especialista encaminharia, com apenas 4% de alucinação. A decisão fina de urgência ainda tem a maior margem de melhora. Os resultados indicam que um pipeline modular de modelos pequenos e locais é viável para avaliação de feridas, sem os custos de nuvem e privacidade dos modelos grandes.