Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JUAN MORYSSON VIANA MARCIANO
DATA: 17/08/2026
HORA: 08:30
LOCAL: Sala de Video Conferência PPgCC - Hibrida
TÍTULO: Interface Humano-IA na Saúde: Uso de LLMs para a Tradução Semântica de Explicações SHAP no Domínio da Leishmaniose Visceral
PALAVRAS-CHAVES: Explicabilidade, Saúde, Aprendizagem de Máquina
PÁGINAS: 101
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Sistemas de Informação
RESUMO:

A utilização de modelos de Inteligência Artificial (IA) “caixa-preta” na saúde enfrenta barreiras de transparência que dificultam a confiança clínica, especialmente em Doenças Tropicais Negligenciadas como a Leishmaniose Visceral (LV). A complexidade intrínseca dos dados clínicos, com alta dimensionalidade e heterogeneidade tornam a interpretação de padrões de risco uma tarefa desafiadora e suscetível a incertezas no diagnóstico convencional. O objetivo deste trabalho é propor um framework que integra técnicas de Explicabilidade de Inteligência Artificial (XAI) e Large Language Models (LLMs) para traduzir saídas técnicas do SHAP em narrativas clínicas compreensíveis. A metodologia envolveu o treinamento de modelos de Aprendizado de Máquina em dados clínicos de pacientes do Piauí (2004–2024), para predição de risco de morte, onde o algoritmo Gradient Boosting Machine (GBM) destacou-se com R2 de 0,8273 e Erro Médio Absoluto (MAE) de 4,92% na predição do risco de óbito. Para a criação do Benchmark de Explicações (BM-VL), utilizou-se um ciclo de refinamento iterativo orientado por LLMs, empregando a Similaridade de Cosseno sobre embeddings contextualizados (all-MiniLM-L6-v2) para elevar a Concordância Interavaliadores (CIA) ao limiar de 0,8040. Na avaliação comparativa do desempenho dos LLMs, foram aplicadas métricas lexicais como BLEU e ROUGE-L (F-Measure) para verificar a fidelidade estrutural, além de métricas semânticas como BERTScore (F1) e a Similaridade de Cosseno para atestar a precisão factual das explicações. Os resultados indicaram que o  modelo Mistral 7B Instruct v0.2 superou os demais candidatos, apresentando a maior fidelidade semântica (0,8396) e a maior confiança interna, medida pela menor perplexidade via Negative Log-Likelihood (0,25756), consolidando-se como uma interface robusta para o suporte à decisão médica.

MEMBROS DA BANCA:
Presidente - 1446435 - VINICIUS PONTE MACHADO
Interno - 2619458 - ERICO MENESES LEAO
Externo à Instituição - 005.***.***-62 - CLEBER ZANCHETTIN - UFPE

Cadastrada em: 13/07/2026