Uso de Large Language Models para Geração Automática de Sumários Clínicos em Sistemas de Informação Hospitalares

A maior complexidade e volume de dados em Prontuários Eletrônicos tornou desafiadora a tarefa de revisar e resumir informações clínicas pelos profissionais de saúde. Os Large Language Models (LLMs) têm demonstrando alta capacidade de síntese de informações não-estruturadas. Este trabalho buscou aplicar LLMs para a geração de resumos clínicos da condição de pacientes durante a internação. Desenvolveu-se uma aplicação em Retrieval-Augmented Generation (RAG) com os dados abertos do MIMIC-IV, e os modelos Ollama-3.3-70b, DeepSeek-V3 e Ascepilus-Ollama-8B, com três estratégias de recuperação de texto: inserção integral no prompt, o RAG simples e o Hypothetical Document Embeddings. O uso do DeepSeek demonstrou melhor aderência ao benchmark gerado por um médico especialista (>60%), enquanto que o Asclepilus, mesmo de domínio especifico, apresentou piores métricas. Todos apresentaram baixa alucinação (Faithfuness>80%), e alta consistência com as notas clínicas (Answer Relevancy>80%). A solução demonstrou potencial de melhoria na rotina de prática clínica dos profissionais de saúde.