Estrutura colaborativa conduzida por LLMs para avaliação e manejo da dor oncológica aprimorados por conhecimento

Por que um cuidado da dor mais inteligente é importante

A dor associada ao câncer não é apenas um efeito colateral desagradável — ela pode dominar os últimos meses ou anos de uma pessoa, dificultando o sono, o movimento e até conversas simples. Embora existam analgésicos potentes, usá-los de forma segura e eficaz é complicado, especialmente porque o câncer, as comorbidades e os medicamentos variam muito entre os pacientes. Este artigo descreve o OncoPainBot, uma nova estrutura de inteligência artificial baseada em modelos de linguagem de grande porte (LLMs) que pretende ajudar médicos a analisar prontuários complexos, seguir diretrizes atualizadas e elaborar planos de dor mais seguros e personalizados para pessoas com câncer.

Um problema difícil na prática clínica oncológica

A dor no câncer tem múltiplas origens: tumores pressionando ossos ou nervos, cirurgias, quimioterapia e radioterapia. Até 70% das pessoas com câncer avançado vivem com dor significativa, e o alívio costuma ser incompleto. Os médicos precisam conciliar opioides, medicamentos não opioides e terapias adjuvantes enquanto monitoram efeitos adversos perigosos, sobretudo em pacientes com função hepática ou renal fragilizada. As ferramentas atuais de avaliação da dor dependem muito de escalas breves e de anotações em texto livre, que podem variar entre clínicos e entre hospitais. Como resultado, as decisões terapêuticas podem divergir amplamente e oportunidades de melhorar o conforto do paciente podem ser perdidas.

Transformando texto médico em insight acionável

LLMs como ChatGPT e Claude conseguem ler e resumir documentos longos e desordenados, o que os torna atraentes para uso médico. Mas chatbots comuns são inseguros para dor oncológica porque podem inventar detalhes, deixar passar interações medicamentosas ou ignorar diretrizes recentes. O OncoPainBot enfrenta esses problemas ao combinar LLMs com uma base de conhecimento curada a partir das diretrizes de grandes organizações oncológicas e ao dividir o trabalho em quatro “agentes” cooperativos, cada um refletindo um papel clínico real. Um agente extrai fatos-chave sobre a dor do paciente dos registros eletrônicos, outro raciocina sobre o tipo de dor presente, um terceiro elabora um plano de tratamento e um quarto realiza uma verificação de segurança focada em interações medicamentosas, função de órgãos e necessidades de monitoramento.

Como a equipe de quatro agentes funciona

O agente de Extração da Dor lê anotações em texto livre e as transforma em um quadro estruturado: localização da dor, intensidade percebida, fatores que aliviam ou agravam e quais medicamentos já foram testados. O agente de Raciocínio sobre o Mecanismo da Dor usa esse quadro para inferir se a dor decorre principalmente de lesão tecidual, dano nervoso ou uma mistura — uma pista importante para escolher os medicamentos adequados. Em seguida, o agente de Planejamento do Tratamento consulta a base de conhecimento baseada em diretrizes por meio de uma técnica chamada geração aumentada por recuperação, que permite ao modelo incorporar trechos específicos e atualizados em vez de depender apenas da memória. Ele propõe planos em etapas — tipicamente ancorados na “escada analgésica” da Organização Mundial da Saúde — incluindo doses iniciais, formas de ajustá-las e doses de resgate para crises dolorosas súbitas. Por fim, o agente de Verificação de Segurança atua como um farmacêutico cauteloso, verificando problemas de dosagem, combinações arriscadas e informações laboratoriais faltantes, e sinalizando casos em que os dados são insuficientes para sustentar uma recomendação firme.

Colocando o sistema à prova

Para selecionar o melhor modelo de linguagem subjacente, os pesquisadores compararam sete sistemas líderes em vários testes de perguntas e respostas médicas. O Claude 4 apresentou a maior acurácia, embora não fosse o mais rápido, e foi portanto escolhido como o “cérebro” do OncoPainBot. Em seguida avaliaram diferentes maneiras de conectar esse cérebro à biblioteca de diretrizes e descobriram que uma estratégia de recuperação “Híbrida” — usando correspondência por palavras-chave e busca semântica mais profunda — forneceu as respostas mais confiáveis. Com essa configuração, a equipe executou o OncoPainBot em 516 prontuários reais de dor oncológica de um grande hospital chinês. Os relatórios escritos pelo sistema corresponderam de perto às anotações dos clínicos em linguagem e conteúdo, e as sugestões de tratamento da dor concordaram com as prescrições reais dos médicos em cerca de 84% dos casos. Importante: a maioria das discordâncias decorreu de nuances sutis e específicas do paciente — como tolerância a opioides não documentada ou insuficiência orgânica complexa — e não de escolhas medicamentosas evidentemente erradas.

O que isso pode significar para os pacientes

Para pessoas com câncer, a promessa do OncoPainBot não é que uma máquina substitua o tratamento, mas que forneça à equipe de cuidados uma segunda opinião mais afiada e consistente. A estrutura foi concebida como uma ferramenta com o clínico no circuito: destaca características da dor que poderiam ficar enterradas nas anotações, sugere opções alinhadas às diretrizes e chama atenção para preocupações de segurança, enquanto deixa as decisões finais para os médicos. Os autores enfatizam que o trabalho ainda está em estágio inicial e retrospectivo e foi testado em um único centro; ensaios em tempo real em múltiplos hospitais ainda são necessários. Mesmo assim, os resultados sugerem que IA cuidadosamente projetada — fundamentada em evidências sólidas e raciocínio transparente — pode ajudar a padronizar o cuidado da dor oncológica, reduzir erros perigosos de dosagem e, mais importante, aumentar a probabilidade de que os pacientes passem menos tempo sofrendo e mais tempo vivendo suas vidas.

Citação: Liu, H., Hu, Y., Li, D. et al. LLM-driven collaborative framework for knowledge-enhanced cancer pain assessment and management. npj Digit. Med. 9, 180 (2026). https://doi.org/10.1038/s41746-026-02362-6

Palavras-chave: manejo da dor no câncer, apoio à decisão clínica, modelos de linguagem de grande porte, terapia com opioides, geração aumentada por recuperação