Resumo executivo

O SimpleCPT é um sistema de aprendizado profundo que sugere códigos CID-10 a partir de texto clínico não estruturado em prontuários eletrônicos (PEP) brasileiros. Desenvolvido como trabalho de conclusão de curso em parceria com a Pickcells e um hospital privado no Brasil, o projeto demonstrou potencial concreto para reduzir o trabalho manual de codificação e melhorar a consistência dos diagnósticos registrados — e levou diretamente à contratação como Cientista de Dados Júnior.

Problema

A codificação manual de CID-10 é um gargalo na gestão hospitalar brasileira. Médicos e codificadores precisam mapear notas clínicas em texto livre para uma ontologia padronizada com milhares de códigos, um processo que é:

Demorado: um único registro de internação pode exigir a revisão de dezenas de candidatos de código.
Sujeito a erros: inconsistências na atribuição de códigos afetam faturamento, vigilância epidemiológica e auditorias clínicas.
Subatendido: o Brasil enfrenta escassez de codificadores médicos qualificados, especialmente em hospitais menores.

Abordagens existentes baseadas em regras ou correspondência de palavras-chave carecem da flexibilidade semântica para lidar com a variabilidade do português clínico.

Abordagem

O sistema foi desenhado em torno de três ideias centrais:

1. Modelos de linguagem pré-treinados para o português clínico. Em vez de treinar do zero, o projeto fez fine-tuning de modelos Transformer multilíngues e específicos para o português (família BERT) em texto clínico, aproveitando o poder representacional do pré-treinamento em larga escala.

2. Framework de aprendizado baseado em ranking. Em vez de tratar o problema como classificação multi-classe plana (que escala mal com 10.000+ códigos CID), o SimpleCPT usa um objetivo de ranking. O modelo aprende a pontuar e ordenar candidatos de código para uma nota clínica, retornando uma lista reduzida e ranqueada para revisão do codificador.

3. Parceria com dados clínicos reais. O conjunto de dados foi obtido do sistema de PEP de um hospital privado por meio da parceria com a Pickcells, fornecendo texto clínico em português real, com ruído — o teste mais difícil e mais valioso para a abordagem.

Arquitetura

Nota Clínica (texto)
        │
        ▼
  Tokenizador (WordPiece / BPE)
        │
        ▼
  Encoder Transformer (BERT fine-tuned)
        │
        ▼
  Representação Pooled [CLS]
        │
        ▼
  Cabeça de Ranking (loss pareada)
        │
        ▼
  Candidatos CID-10 Ranqueados → Top-K sugestões

A cabeça de ranking usa uma loss pareada baseada em margem: para cada tripla (nota, código_correto, código_negativo), o modelo é treinado para pontuar o código correto mais alto. Isso torna o sinal de aprendizado mais rico do que a entropia cruzada padrão sobre todo o espaço de rótulos.

Resultados principais

Melhora estatisticamente significativa sobre baselines baseados em palavras-chave nas métricas Precision@K e NDCG@K.
As sugestões top-3 do modelo cobriram o código verdadeiro na maioria dos casos de teste, igualando ou superando benchmarks de concordância inter-anotador da literatura.
Avaliação qualitativa com a equipe clínica do hospital parceiro confirmou que as sugestões eram medicamente plausíveis mesmo quando não correspondiam exatamente ao rótulo de referência.

Limitações e questões em aberto

O conjunto de dados é proprietário e não pode ser divulgado publicamente.
A performance degrada em códigos raros (categorias CID de cauda longa) — desafio conhecido para qualquer sistema de classificação ou ranking neste domínio.
O sistema é uma ferramenta de apoio à decisão, não um substituto para codificadores humanos; considerações regulatórias mantêm um humano no processo.
Trabalho futuro em benchmarks de NLP clínico brasileiro e variantes multi-rótulo do objetivo de ranking permanece em aberto.

Impacto

Este projeto foi a ponte direta entre pesquisa acadêmica e prática profissional: os resultados convenceram a Pickcells a contratar Vinícius como Cientista de Dados Júnior, onde a expertise em NLP/LLM e IA clínica desenvolvida aqui foi imediatamente aplicada a novos produtos (extração de dados de biossinais de laudos em PDF, visão computacional para detecção de câncer).

A tese completa está disponível mediante solicitação. Código e dados estão sob NDA institucional.