As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
Physicians, residents and students spent about two hours reviewing each electronic health record (EHR) in a Thomas Jefferson University study. A large language model (LLM)—an artificial-intelligence system used here to read medical text—handled the same extraction task in 20 to 42 seconds; the comparison covered 411 breast and lung cancer patients.
Médicos, médicos internos e estudantes demoraram cerca de duas horas a analisar cada registo clínico eletrónico (EHR) num estudo da Thomas Jefferson University. Um modelo de linguagem de grande escala (LLM) — um sistema de inteligência artificial utilizado neste caso para ler texto médico — realizou a mesma tarefa de extração em 20 a 42 segundos; a comparação abrangeu 411 doentes com cancro da mama e do pulmão.
The target was cardiotoxicity, heart-related damage caused by cancer treatment. Breast and lung cancer patients face increased risk because the heart, lungs and breasts are close together. The damage can raise the risk of heart attacks, heart failure and other cardiac conditions, but finding evidence in patient records can require reading through hundreds of files.
O objetivo era a cardiotoxicidade, uma lesão relacionada com o coração causada pelo tratamento do cancro. Os doentes com cancro da mama e do pulmão enfrentam um risco acrescido porque o coração, os pulmões e as mamas estão próximos. As lesões podem aumentar o risco de enfartes, insuficiência cardíaca e outras doenças cardíacas, mas encontrar provas nos registos dos doentes pode exigir a leitura de centenas de ficheiros.
The framework did more than search for a word. Its prompts looked for relevant keywords while checking for false positives, so a note saying a patient denied a disease—or that a heart attack was “ruled out”—was not counted as a cardiac event. That distinction matters in medical records, where negative findings can be phrased in many ways.
O sistema fez mais do que procurar uma palavra. Os seus prompts procuravam palavras-chave relevantes, verificando simultaneamente a existência de falsos positivos, pelo que uma nota que indicasse que um doente negou ter uma doença — ou que um enfarte foi «excluído» — não era contabilizada como um evento cardíaco. Essa distinção é importante nos registos médicos, onde os resultados negativos podem ser formulados de muitas maneiras.
The researchers used open-source LLMs and reported that the framework found cardiac-event data 71% to 85.5% of the time. During initial screening, DeepSeek-R1-70b, Llama-3.3 and Mistral-Large showed the strongest balance of diagnostic accuracy and formatting adherence, so the three models moved into validation cohorts.
Os investigadores utilizaram modelos de linguagem de grande escala de código aberto e relataram que o sistema encontrou dados sobre eventos cardíacos entre 71% e 85,5% das vezes. Durante a triagem inicial, DeepSeek-R1-70b, Llama-3.3 e Mistral-Large demonstraram o melhor equilíbrio entre precisão diagnóstica e cumprimento das regras de formatação, pelo que os três modelos avançaram para coortes de validação.
Concretely, for oncology research teams, the system could turn a slow first pass through patient records into a much faster way to assemble cardiotoxicity data. For patients, the hoped-for next step is to identify those more likely to develop heart complications and use that information to shape radiation treatment, potentially reducing side effects. The paper presents that as a goal, not a current clinical service: further refinement is still needed, and the reported work does not show improved patient outcomes.
Concretamente, para as equipas de investigação oncológica, o sistema poderia transformar uma primeira análise demorada dos registos dos doentes numa forma muito mais rápida de reunir dados sobre cardiotoxicidade. Para os doentes, o passo seguinte esperado é identificar aqueles com maior probabilidade de desenvolver complicações cardíacas e utilizar essa informação para orientar o tratamento por radiação, reduzindo potencialmente os efeitos secundários. O artigo apresenta isso como um objetivo, não como um serviço clínico atual: ainda são necessários mais aperfeiçoamentos, e o trabalho descrito não demonstra melhores resultados para os doentes.