Supervisão Clínica Escalável de Modelos de Linguagem de Grande Escala Através de Triangulação de Incerteza (SCOUT)

Contexto: Os grandes modelos de linguagem estão cada vez mais implementados em fluxos de trabalho clínicos, mas exigir a revisão clínica de cada saída de IA anula os ganhos de eficiência que motivam a sua adoção. O SCOUT aborda este paradoxo eficiência-segurança através de meta-verificação algorítmica.

O quadro SCOUT triangula três sinais externos ortogonais para determinar a incerteza a nível de caso: (1) Heterogeneidade do Modelo - se um LLM auxiliar estruturalmente diferente concorda com o modelo primário; (2) Inconsistência Estocástica - se a amostragem repetida do mesmo modelo produz resultados divergentes; (3) Crítica de Raciocínio - se um modelo verificador externo identifica falhas lógicas na cadeia de raciocínio.

Neste ensaio cruzado, 7 clínicos de diferentes níveis de experiência (2 residentes júnior, 3 residentes sénior, 2 médicos assistentes) revisam cada um todos os 110 casos sob fluxos de trabalho de revisão manual padrão e revisão assistida pelo SCOUT. O estudo avalia a eficiência do fluxo de trabalho (endpoint primário) e a precisão diagnóstica (endpoint secundário).