SynthEHR-eviction: aprimorando a detecção de SDoH relacionados à desocupação com dados EHR sintéticos aumentados por LLM

Por que problemas de moradia pertencem aos prontuários médicos

Ser forçado a deixar a própria moradia pode devastar a saúde, mas a maioria dos sistemas médicos mal percebe quando isso acontece. Este artigo descreve uma nova forma de ensinar inteligência artificial a identificar sinais de desocupação e dificuldades sociais relacionadas dentro das anotações dos médicos. Ao transformar uma pequena quantidade de trabalho especializado em um grande conjunto de treinamento realista, a abordagem pode ajudar os sistemas de saúde a identificar pessoas em risco mais cedo e conectá‑las a suporte habitacional e assistencial.

Quando a perda da moradia prejudica a saúde

Desocupação é mais do que uma mudança de endereço. Está ligada à falta de moradia, desemprego, depressão e até taxas de mortalidade mais altas, com impactos especialmente fortes em grupos marginalizados e durante crises como a pandemia de COVID‑19. Ainda assim, nos prontuários eletrônicos atuais, informações sobre perda de moradia ou ameaças de despejo geralmente aparecem apenas em textos livres, não em caixas de seleção ou códigos padronizados. Isso dificulta que hospitais, pesquisadores e formuladores de políticas vejam onde os despejos estão ocorrendo, quem é mais afetado e quando intervir.

Construindo histórias de pacientes “sintéticas” e realistas

Como notas médicas reais que mencionam claramente despejo são raras e sensíveis, os autores criaram um pipeline chamado SynthEHR‑Eviction para gerar exemplos realistas, porém totalmente sintéticos. Eles partiram de seções de histórico social de notas de alta hospitalar reais e usaram grandes modelos de linguagem — sistemas de IA treinados em enormes coleções de texto — para reescrevê‑las de modo que cada nota refletisse uma situação habitacional ou social específica. Especialistas definiram cuidadosamente 14 categorias, incluindo estágios detalhados de despejo, como “pendente”, “acordo mútuo de encerramento de contrato” e “despejo passado vs. atual”, além de questões relacionadas como falta de moradia, insegurança alimentar e dificuldade para pagar contas. Por meio de um processo iterativo com intervenção humana, clínicos revisaram exemplos de saída, sinalizaram erros e forneceram feedback estruturado ao processo de prompting até que cada “aumentador” de IA produzisse notas altamente precisas com mínima ambiguidade. O resultado foi um grande conjunto público contendo 8.000 notas de treinamento sintéticas mais de 600 notas de teste cuidadosamente rotuladas que mesclam casos sintéticos com exemplos reais desidentificados retirados de grandes bases de pesquisa.

Ensinando computadores a ler nas entrelinhas

Sobre essas histórias sintéticas, a equipe construiu um sistema automatizado de anotação que não só atribui uma categoria, mas também gera uma explicação passo a passo de seu raciocínio. Usando um framework chamado DSPy, eles otimizaram prompts para que a IA primeiro decida se a nota trata de despejo, e então a direcione ou para um classificador detalhado de despejo ou para um classificador de outros riscos sociais como transporte ou insegurança alimentar. Esse desenho espelha como um leitor humano poderia primeiro perguntar “Há menção a despejo?” e só então classificar o caso em categorias mais específicas. Para reduzir o trabalho manual, os pesquisadores compararam a reescrita e rotulagem humanas completas de 8.000 notas — mais de 260 horas de trabalho — com seu fluxo de trabalho assistido por IA, que alcançou qualidade de dados comparável com menos de seis horas de tempo especializado, uma redução de 80%.

Como os modelos se saem

Munidos do SynthEHR‑Eviction, os autores então ajustaram uma variedade de modelos de linguagem de código aberto e os compararam com sistemas comerciais e modelos biomédicos mais antigos. Para a tarefa simples de decidir se havia menção a despejo, muitos modelos tiveram bom desempenho, mas modelos de grande porte afinados e uma variante otimizada do GPT‑4 alcançaram as maiores pontuações. O teste mais difícil foi distinguir entre sete status de despejo nuançados e um conjunto separado de riscos sociais não relacionados a despejo em três conjuntos de dados: notas sintéticas, notas hospitalares reais e longos relatos de casos acadêmicos. Aqui, modelos abertos afinados como Qwen2.5 e LLaMA‑3 igualaram ou superaram ligeiramente o desempenho do GPT‑4 otimizado, alcançando escores macro‑F1 — um balanço geral de precisão e recall — em torno de 0,89 para despejo e acima de 0,90 para outros riscos sociais. Modelos menores, com apenas três bilhões de parâmetros, também tiveram desempenho sólido após fine‑tuning, sugerindo que sistemas capazes e mais acessíveis podem ser implantados em ambientes com poder computacional limitado.

Por que rastros de raciocínio e dados reais ainda importam

O estudo revela que explicações ajudam alguns modelos mais do que outros. Quando os dados de treinamento incluíam raciocínio curto e explícito sobre por que uma nota indicava determinado status de despejo, modelos menores melhoraram de forma notável, enquanto os maiores mudaram pouco, o que sugere que já codificavam grande parte dessa lógica. Esses rastros de raciocínio também tornam as decisões do modelo mais fáceis de revisar por especialistas, embora os autores alertem que as explicações nem sempre são perfeitamente fiéis ao modo como o modelo realmente decide. Outra constatação chave é que modelos treinados apenas com notas sintéticas tropeçam diante da escrita desordenada do mundo real. Misturar uma parcela modesta de notas hospitalares reais ou relatos de casos melhorou nitidamente o desempenho nesses domínios, ressaltando que dados sintéticos são poderosos, mas não suficientes por si só.

Do risco oculto à ajuda visível

No geral, o artigo demonstra que dados sintéticos cuidadosamente elaborados, combinados com supervisão especializada direcionada, podem transformar menções dispersas de despejo e outras dificuldades em sinais estruturados que computadores conseguem detectar em escala. Em termos simples, o sistema aprende a ler nas entrelinhas das anotações médicas e sinalizar quando um paciente está enfrentando ou enfrentou perda de moradia ou tensões sociais relacionadas. Se integrado aos prontuários eletrônicos, tais ferramentas poderiam ajudar clínicos e assistentes sociais a identificar pessoas em risco mais cedo e conectá‑las a auxílio habitacional, aconselhamento financeiro ou apoio em transporte. Ao tornar mais visível o lado social invisível da doença, o SynthEHR‑Eviction oferece um caminho para um cuidado de saúde que vê e responde às circunstâncias completas da vida dos pacientes.

Citação: Yao, Z., Zhao, Y., Mitra, A. et al. SynthEHR-eviction: enhancing eviction SDoH detection with LLM-augmented synthetic EHR data. npj Digit. Med. 9, 292 (2026). https://doi.org/10.1038/s41746-026-02473-0

Palavras-chave: desocupação, determinantes sociais da saúde, prontuários eletrônicos, dados sintéticos, processamento de linguagem natural clínico