Engenharia de Prompts

A engenharia de prompts refere-se à prática sistemática de elaborar instruções (prompts) otimizadas para modelos de IA generativa, com o objetivo de maximizar a precisão, rastreabilidade e utilidade clínica das respostas geradas. Diferente de comandos intuitivos ou genéricos, essa abordagem transforma a interação com grandes modelos de linguagem (LLMs) em um processo estruturado, análogo a um protocolo clínico, onde o input do médico condiciona diretamente o output probabilístico da rede neural (Fonte 4). Na medicina, ela combate a síndrome da bola de cristal, reduzindo alucinações e garantindo que a IA funcione como extensão do raciocínio clínico humano, sob supervisão do Médico Curador (Fonte 4).

Essa habilidade emerge como essencial para o letramento em IA, permitindo a automação de tarefas como diagnósticos diferenciais, redação de laudos e produção de materiais educativos, sem abdicar da responsabilidade ética (Fonte 3, Fonte 4). Evidências de revisões sistemáticas indicam que prompts estruturados elevam a eficácia em até 100% em tarefas complexas, como raciocínio em exames de imagem, ao induzir rastreabilidade lógica via técnicas como cadeia de pensamento (chain-of-thought, CoT) (Fonte 4).

Fundamentos Técnicos e Lei GIGO

Os prompts atuam como sinais de condicionamento que modulam o comportamento das redes neurais, injetando conhecimento prévio e restringindo o espaço de busca probabilística do modelo. Sem estrutura, o LLM opera em modo preditivo genérico ("prever a próxima palavra"), suscetível a erros lógicos ou invenções estatísticas (Fonte 4).

A lei fundamental é o GIGO (Garbage In, Garbage Out), princípio computacional que afirma: a qualidade do output reflete estritamente a do input. Um prompt vago gera respostas superficiais ou perigosas, enquanto um refinado garante outputs clinicamente acionáveis (Fonte 1, Fonte 4). Limitações reais incluem a ausência de consciência semântica na IA — sua "confiança sintática" mascara falhas —, exigindo sempre Human-in-the-Loop para validação (Fonte 1, Fonte 4).

Aplicações práticas na medicina:

• Síntese de prontuários extensos dentro da janela de contexto.
• Geração de laudos com terminologia padronizada (ex.: TI-RADS®, BI-RADS®).
• Produção de orientações em linguagem clara para letramento em saúde (Fonte 3).

Protocolo PCTR: Anatomia de um Prompt Eficaz

O protocolo PCTR (Persona-Contexto-Tarefa-Restrição/Resultado) é o framework padrão para prompts médicos, organizando elementos lógicos e reduzindo variabilidade (Fonte 4).

Exemplo de prompt PCTR completo:

Atue como radiologista sênior (P). Paciente 62 anos, tabagista, dispneia e dor torácica; TC tórax com nódulo 2 cm (C). Elabore diagnóstico diferencial ordenado (T). Use CoT para raciocínio passo a passo; tabela com probabilidade, achados confirmatórios e próximo exame; máximo 500 palavras (R). (Fonte 4)

Essa estrutura garante rastreabilidade — capacidade de auditar o "fio da meada" lógico da IA —, essencial para decisões de alto risco (Fonte 4).

Técnicas Avançadas: Shotting, CoT e Role Prompting

Shotting: Zero-Shot vs. Few-Shot

• Zero-Shot: comando direto, sem exemplos. Eficaz para tarefas rotineiras (ex.: "Resuma este laudo"), mas falha em formatos customizados devido à dependência do treinamento geral (Fonte 4).
• Few-Shot: fornece 2-3 exemplos como "gabarito temporário". Ideal para laudos padronizados: "siga este exemplo: [colar laudo anterior]. Agora, gere para novos achados." Reduz erros estruturais em 90% (Fonte 4).

Limitações: few-shot consome tokens, limitando uso em janelas curtas; exige curadoria para evitar viés nos exemplos (Fonte 4).

Cadeia de Pensamento (CoT)

Induz raciocínio sequencial: "pense passo a passo antes de concluir." Decompõe tarefas complexas (ex.: diagnóstico diferencial), expondo etapas intermediárias para auditoria humana. Reduz alucinações em 50-70% em cenários médicos, permitindo verificação de coerência lógica (Fonte 4).

Bloco de código exemplo (CoT em DD):

Pense passo a passo: 1) Avalie risco cardiovascular; 2) Correlacione achados; 3) Ordene por probabilidade. Conclua em tabela. (Fonte 4)

Role Prompting

"Atue como [especialista]" confina respostas a domínios específicos, elevando precisão em nichos (ex.: "cardiologista intervencionista"). Combinado com CoT, atinge eficácia máxima (Fonte 4).

Comparação: Prompts Ruins, Bons e Ótimos

Referência: comparação de prompts ruins, bons e ótimos (Fonte 4).

Prompt por Voz: Interfaces Naturais

Integra speech-to-text com LLM, permitindo ditado hands-free. Vantagens: agilidade em fluxos clínicos (ex.: durante US); interatividade natural (Fonte 4).

Desafios:

• Fragilidade: variações fonéticas alteram transcrição (GIGO).
• Ruído hospitalar; erros em termos técnicos (ex.: "LCA" transcrito errado).
• Hardware: microfones lapela (R$50-500); destilação de conhecimento para execução local (Fonte 4).

PCTR Vocal: "persona: radiologista. Contexto: [ditado]. Tarefa: resuma em 3 tópicos. Restrição: mãos livres." Compare com escrito via comparação prompt escrito vs. por voz (Fonte 4).

Estruturas Avançadas: YAML e Metaprompting

YAML: formato hierárquico para prompts, usando indentação para regras (ex.: formatação WhatsApp®). Superior a prompts descritivos: alta reprodutibilidade, controle modular (Fonte 3).

Exemplo YAML para orientações WhatsApp® (Fonte 3):

assistente:
  nome: "Formatador WhatsApp Médico"
  formatação:
    obrigatório:
      negrito: "*texto*"
      bullets: "- ou ."
    proibido:
      - saudações
      - datas específicas
  entrega: bloco de código markdown

Diferenças YAML vs. Comum:

Metaprompting reflexivo: "crie o melhor prompt para [tarefa]; pergunte dados faltantes." Automatiza refinamento, combatendo inexperiência (Fonte 4).

Checklist para Prompts

Construção (Pré-envio) (Fonte 4, adaptado de checklist para prompts):

• Persona definida?
• Contexto higienizado (anonimizado)?
• Tarefa imperativa?
• Restrições explícitas?

Validação (Pós-resposta):

• Rastreabilidade via CoT?
• Sem alucinações?
• Alinhado a evidências?

Ética: sempre anonimizar (LGPD); revisar antes de uso clínico (Fonte 3).

Limitações e Aplicações Práticas

Limitações: dependência da janela de contexto; risco de viés nos exemplos few-shot; não substitui o julgamento humano (Fonte 2, Fonte 4). Em produção documental (ex.: consentimentos WhatsApp®), exige releitura para conformidade CFM (Fonte 3).

Aplicações:

• Laudos: few-shot para padronização (reduz 40% no tempo; Fonte 1).
• Estudos: Gemini Notebook® com prompts YAML (Fonte 3).
• ROI: economiza horas em burocracia, elevando produtividade (Fonte 1).

Para aprofundamento: Aula 3: prompts — a nova habilidade, Aula 4: arsenal de IA — produtividade e produção médica.