Um Pipeline Baseado em LLMs para a Triagem Clínica e a Extração de Comorbidades Focado na Interoperabilidade da RNDS

• Cristiano da Silveira Colombo IFES
• Cauã Gomes Marvila IFES
• Lucas Mazioli IFES
• Beatriz Messias Correa Ruela IFES
• Alícia Maria Zanette Moreira IFES
• Isabella Vaillant IFES
• Alda Torres IFES

DOI: https://doi.org/10.5753/sbcas.2026.21718

Resumo

Avanços recentes em modelos de linguagem de grande porte (LLMs) ampliaram as possibilidades de processamento de narrativas clínicas e apoio a processos assistenciais em saúde. Entretanto, a maioria das abordagens existentes trata tarefas como triagem clínica, extração de informações ou padronização semântica de forma isolada. Este trabalho propõe um pipeline baseado em LLMs para apoiar a triagem clínica e a extração estruturada de comorbidades a partir de relatos médicos textuais. A arquitetura integra classificação automática de risco, identificação de condições clínicas e mapeamento para códigos da Classificação Internacional de Doenças (CID-10) por meio de um mecanismo baseado em recuperação semântica. Experimentos foram conduzidos com narrativas clínicas provenientes da literatura biomédica. Os resultados indicam que a abordagem proposta é capaz de transformar descrições médicas não estruturadas em representações estruturadas de dados clínicos, favorecendo sua futura interoperabilidade com infraestruturas nacionais de dados em saúde, como a Rede Nacional de Dados em Saúde (RNDS).

Referências

Bittencourt, R. J. and Hortale, V. A. (2009). Intervenções para solucionar a superlotação nos serviços de emergência hospitalar: uma revisão sistemática. Cadernos de Saúde Pública, 25(7):1439–1454.

Canese, K. and Weis, S. (2013). Pubmed: the bibliographic database. The NCBI Handbook.

Gaber, F., Shaik, M., Franke, V., and Akalin, A. (2025). Evaluating large language model workflows in clinical decision support: Referral, triage, and diagnosis. Preprint. Berlin Institute for Medical Systems Biology (BIMSB), Max Delbrück Center for Molecular Medicine.

Guevara, E., Chen, Y., et al. (2024). Extracting social determinants of health from electronic health records using large language models. npj Digital Medicine.

Landis, J. R. and Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1):159–174.

Martinez, D., Silva, R., and Thompson, P. (2024). An entity extraction pipeline for medical text records. Journal of Medical Internet Research, 26.

Ministério da Saúde (2023). Rede nacional de dados em saúde (rnds). Acessado em: 9 mar. 2026.

Packer, A. L., Cop, N., Luccisano, A., Ramalho, A., and Spinak, E. (2018). Scielo—20 years of open access: an analytic study of open access and scholarly communication. Learned Publishing, 31(3):205–213.

Sacoman, T. M., Beltrammi, D. G. M., Andreazza, R., Cecílio, L. C. d. O., and Chioro dos Reis, A. A. (2019). Implantação do sistema de classificação de risco manchester em uma rede municipal de urgência. Saúde em Debate, 43(121):354–367.

Singh, R., Patel, A., and Kumar, S. (2026). Comorbidity classification from clinical free-text using large language models. Journal of Medical Systems.

Singhal, K., Azizi, S., Tu, T., et al. (2023). Towards expert-level medical question answering with large language models. Nature.

Xu, L., Zhao, W., and Huang, X. (2025). Diagnosis and triage performance of contemporary large language models on short clinical vignettes. Journal of Medical Systems, 49(141).

Zhang, Y., Li, H., Chen, X., and Wang, J. (2024). Multi-evidence clinical reasoning with retrieval-augmented generation for emergency triage. Artificial Intelligence in Medicine.