Few-Shot
Prompt com exemplos prévios como gabarito para precisão em formatos.
O few-shot é uma técnica de engenharia de prompts que consiste em fornecer alguns exemplos ("gabarito temporário") antes de pedir a tarefa final à IA generativa. Essa abordagem é essencial quando o médico precisa que a IA siga um formato rígido de laudo ou use terminologias institucionais específicas, garantindo controle total sobre o resultado na entrega final (Fonte 4). Ao fornecer exemplos, a IA replica o padrão de escrita e terminologia, funcionando como um gabarito temporário imprescindível para a precisão técnica em documentos formais (Fonte 4). É superior ao zero-shot para tarefas que demandam aderência estrita a estruturas pré-definidas, como laudos médicos, onde o zero-shot falha em seguir formatos personalizados ou nuances clínicas específicas (Fonte 4). Exemplo prático demonstrado em comparação de prompts ruins, bons e ótimos.
Mecanismo Técnico
O few-shot opera injetando exemplos concretos no prompt, modulando o comportamento da rede neural para restringir o espaço de busca e priorizar padrões observados nos exemplos fornecidos (Fonte 4). Diferente do zero-shot, que confia apenas no conhecimento geral probabilístico do grande modelo de linguagem (LLM), o few-shot atua como condicionamento explícito: a IA "aprende" temporariamente o estilo, estrutura e terminologia a partir de 2-3 instâncias fornecidas, reduzindo variabilidade e erros estruturais (Fonte 4).
Processo passo a passo:
- Fornecimento de exemplos: inserir 2-3 casos prévios reais ou simulados, preservando terminologia técnica (ex.: TI-RADS®, BI-RADS®).
- Descrição da tarefa final: aplicar os padrões aos novos dados clínicos.
- Restrições: especificar aderência rigorosa ("siga exatamente este padrão").
Essa técnica alinha-se ao protocolo PCTR, onde os exemplos enriquecem o componente "Restrição/Resultado" (R), garantindo rastreabilidade e reprodutibilidade (Fonte 4).
Exemplo de implementação em laudo de RM de joelho (adaptado de cenário clínico):
Classifique os achados desta RM seguindo exatamente este padrão:
Exemplo 1: "Ruptura ligamentar do LCA - Grau III. Edema associado. Menisco medial com sinal de discoide."
Exemplo 2: "Lesão meniscal lateral - Tear em alça de cesto. Sem derrame articular significativo."
Agora, com base nos novos achados: [ruptura de LCA e menisco medial], gere o laudo final mantendo a estrutura e terminologia técnica dos exemplos.
Resultado: a IA reproduz o formato conciso e padronizado, evitando prolixidade ou invenções (Fonte 4).
Vantagens Clínicas e Evidências
| Critério | Zero-Shot | Few-Shot | Evidência (Fonte 4) |
|---|---|---|---|
| Precisão em formatos rígidos | Baixa (falha em terminologia específica) | Alta (replica padrões exatos) | Reduz erros estruturais em laudos; essencial para documentos formais. |
| Controle sobre terminologia | Variável (usa probabilidades gerais) | Total (gabarito temporário) | Garante aderência a classificações como LI-RADS® ou PI-RADS®. |
| Reprodutibilidade | Inconsistente entre execuções | Alta (padrões ancorados em exemplos) | Estudos indicam até 100% de eficácia em tarefas complexas com role prompting + few-shot. |
| Aplicação em documentos | Genérico, propenso a alucinações | Preciso, com baixa variabilidade | Superior para laudos e termos de consentimento. |
O few-shot combate a lei GIGO ao fornecer input estruturado, reduzindo alucinações em tarefas que exigem precisão semântica e sintática (Fonte 4). Pesquisas em engenharia de prompts para saúde destacam sua superioridade em cenários de elaboração de documentos, onde prompts simples geram superficialidade (Fonte 4).
Limitações reais:
- Aumenta o tamanho do prompt (consome mais tokens na janela de contexto).
- Depende da qualidade dos exemplos: input ruim propaga erros (GIGO).
- Não substitui julgamento clínico; requer curadoria humana para validação (Fonte 4).
- Ineficaz para tarefas puramente criativas ou sem padrões prévios.
Aplicações Práticas em Medicina
Ideal para rotinas com padronização obrigatória (Fonte 4):
- Laudos de imagem: replicar estrutura institucional (ex.: achados ultrassonográficos com classificação O-RADS®).
- Termos de consentimento: manter tom formal e itens fixos.
- Orientações pré/pós-procedimento: formato WhatsApp® com bullets e assinatura automática.
- Diagnósticos diferenciais formatados: exemplo em translucência nucal: "1. Síndrome de Down — critérios: TN > 3 mm na 12ª semana + osso nasal ausente. Conduta: NIPT + ecocardiografia fetal." (Fonte 4).
Integração com outras técnicas:
- Combine com cadeia de pensamento (CoT) para rastreabilidade: "use few-shot para formato e CoT para raciocínio passo a passo."
- Em prompt por voz: ditado inicial seguido de refinamento escrito com exemplos.
- YAML para estruturação: defina exemplos em blocos hierárquicos (Fonte 4, cross-ref. Fonte 3).
Exemplo avançado (cenário B de comparativo):
Atue como radiologista sênior (P). Contexto: achados de US obstétrica (C). Tarefa: classifique seguindo estes exemplos (Few-Shot):
Exemplo 1: "Aumento de translucência nucal (3.2 mm). Risco: 1:150 para T21."
Exemplo 2: "Osso nasal hipoplásico. Associação: Trissomia 21."
Gere classificação para: TN 3.5 mm + osso nasal ausente (T). Formato idêntico, sem alucinações (R).
Saída: padronizada, clinicamente acionável (Fonte 4).
Checklist para Implementação Segura
- Forneça 2-3 exemplos representativos (não mais, para evitar sobrecarga de contexto).
- Anonimize dados (LGPD-compliant).
- Valide saída: verifique aderência e ausência de alucinações.
- Itere: "refaça seguindo exatamente o exemplo corrigido."
- Documente prompts bem-sucedidos como templates (Fonte 4).
Em resumo, o few-shot eleva a IA de assistente genérica a extensão precisa do raciocínio médico, priorizando aplicações documentais onde a padronização salva tempo e reduz riscos (Fonte 4). Para aprofundamento, consulte metaprompting reflexivo para automação de exemplos.