Inspiration

A transição entre a teoria dos livros e o primeiro atendimento real no pronto-socorro ou ambulatório é um dos momentos mais desafiadores para estudantes de medicina, enfermagem e outras áreas da saúde. Conduzir uma boa anamnese exige raciocínio clínico estruturado, escuta ativa e capacidade de fazer as perguntas certas sob pressão — habilidades que só se consolidam com prática constante.

Inicialmente, pensei em criar um chatbot que auxiliasse diretamente no diagnóstico de pacientes reais. No entanto, percebi que recomendações médicas automatizadas trazem riscos sérios devido à possibilidade de alucinações da IA. Decidi então inverter a lógica para construir uma ferramenta 100% segura e de alto impacto educacional: em vez de a IA substituir o profissional, ela assume o papel do paciente virtual, permitindo que estudantes treinem entrevistas clínicas e raciocínio diagnóstico antes do plantão real.

What it does

O AnamnesIA é um simulador interativo de consultas médicas e treinamento de anamnese baseado em inteligência artificial, inspirado no formato de avaliações práticas clínicas (OSCE).

  • Catálogo com 24 Especialidades Médicas: Na tela inicial, o estudante pode buscar e escolher entre 24 áreas — incluindo Cardiologia, Saúde Mental, Pediatria, Ginecologia, Obstetrícia, Cirurgia Geral, Medicina de Emergência, Ortopedia, Oftalmologia e Nefrologia.
  • Pacientes Virtuais Realistas: Cada especialidade carrega um caso clínico inédito com queixa inicial, perfil emocional e histórico próprios. O paciente virtual só revela pistas decisivas (como tabagismo, uso crônico de anti-inflamatórios, alergias graves ou histórico familiar) se o estudante fizer as perguntas certas.
  • Parecer do Preceptor (Correção Automatizada): Ao finalizar a entrevista, o estudante preenche na barra lateral sua Hipótese Diagnóstica e sua Conduta Inicial. Uma segunda instância da IA atua como preceptor médico, analisa toda a transcrição da conversa frente ao gabarito oculto do caso e entrega um boletim completo: veredito do diagnóstico, pontos bem investigados, perguntas importantes que ficaram de fora e uma nota de (0) a (10).

No modelo pedagógico do simulador, a avaliação global do atendimento (S_{\text{final}}) pondera a qualidade da investigação durante a entrevista (A), a precisão da hipótese diagnóstica (D) e a adequação da conduta inicial (C):

$$S_{\text{final}} = w_1 \cdot A_{\text{anamnese}} + w_2 \cdot D_{\text{diagnóstico}} + w_3 \cdot C_{\text{conduta}}, \quad \text{onde } \sum_{i=1}^{3} w_i = 1$$

How we built it

Desenvolvi o AnamnesIA sozinho em Python, integrando uma interface web interativa com a API do Google Gemini:

  1. Interface e Navegação (Streamlit + HTML/CSS): Estruturei o aplicativo em duas telas controladas por st.session_state — um lobby inicial com filtro de busca instantânea e cartões das 24 especialidades, e um consultório virtual com faixa superior dinâmica (hero banner), histórico de conversa e formulário de avaliação na barra lateral.
  2. Motor de IA (google-genai SDK): Utilizei o SDK oficial do Google GenAI conectado aos modelos Gemini Flash, com troca automática (fallback) caso algum modelo passe por instabilidade:
MODELOS_FLASH = [
    "gemini-3.5-flash-lite",
    "gemini-3.5-flash",
    "gemini-3.6-flash",
    "gemini-3.7-flash",
]
  1. Arquitetura de Dupla Persona e Controle de Temperatura: Configurei dois comportamentos distintos ajustando o parâmetro de temperatura (T) na distribuição de probabilidade dos tokens gerados pelo modelo:

$$P(w_i) = \frac{\exp(z_i / T)}{\sum_{j} \exp(z_j / T)}$$

  • Modo Paciente ((T = 0.7)): Garante variedade natural nas respostas, expressividade emocional compatível com os sintomas e fidelidade às regras anti-spoiler do prontuário.
  • Modo Preceptor ((T = 0.3)): Reduz a aleatoriedade para produzir uma correção técnica, objetiva e rigorosamente alinhada ao gabarito clínico do caso.

Challenges we ran into

  • Conflito de Bibliotecas e Ambiente Virtual: Enfrentei erros de importação entre a biblioteca legada (google-generativeai) e o novo SDK oficial (google-genai), além de bloqueios de arquivos em uso no venv no Windows. Resolvi encerrando processos residuais, limpando pacotes conflitantes e isolando as dependências no ambiente virtual.
  • Instabilidade de Modelos e Fallback Automático: Durante os testes, deparei-me com erros 404 NOT_FOUND em modelos descontinuados e 503 UNAVAILABLE durante picos de demanda no servidor. Implementei uma função resiliente de fallback que percorre automaticamente a lista de modelos ativos até obter resposta sem travar a consulta.
  • Estruturação do Histórico de Mensagens: Como a consulta inicia com a queixa do paciente (model), a API rejeitava requisições cujo histórico não começasse com o papel user. Ajustei a montagem dos turnos (types.Content) para ancorar a fala inicial na instrução do sistema e iniciar o histórico a partir da primeira pergunta do estudante.
  • Engenharia de Prompt Anti-Spoiler: Nas primeiras versões, o paciente revelava toda a sua história clínica logo na primeira resposta. Refinei as instruções de sistema para que o modelo responda de forma concisa e condicione detalhes críticos às perguntas específicas do aluno.

Accomplishments that we're proud of

  • Construir do zero, como um projeto individual de aprendizado prático, uma aplicação web completa, fluida e visualmente organizada.
  • Alcançar respostas rápidas (entre (1) e (2) segundos) com um mecanismo automático de tolerância a falhas entre modelos Gemini.
  • Escalar o simulador de um único caso de teste para 24 especialidades médicas completas, cada uma com caso clínico estruturado, perfil comportamental e gabarito de avaliação próprio.

What we learned

  • Engenharia de Prompt Aplicada à Educação: Aprendi como regras de comportamento bem delimitadas e o ajuste fino de parâmetros como a temperatura (T) transformam o mesmo modelo de linguagem em um paciente empático ou em um avaliador clínico rigoroso.
  • Gerenciamento de Estado e Programação Defensiva: Dominei o ciclo de reexecução do Streamlit (st.session_state), o tratamento seguro de chaves de API via .env e a criação de mecanismos de recuperação automática contra falhas de rede e API.
  • Design Responsável de IA na Saúde: Compreendi na prática como construir soluções de alto valor na área médica sem expor usuários a riscos clínicos, focando no treinamento e na capacitação humana.

What's next for AnamnesIA

  • Painel de Sinais Vitais e Exame Físico: Incluir botões interativos durante a consulta para aferir pressão arterial, frequência cardíaca, oximetria, ausculta e visualizar resultados de exames complementares (como ECG e hemograma).
  • Consultas por Voz: Integrar reconhecimento de fala (Speech-to-Text) e síntese de voz (Text-to-Speech) para permitir que o estudante converse em voz alta com o paciente virtual.
  • Publicação Online e Histórico de Evolução: Hospedar o aplicativo gratuitamente na nuvem e adicionar um painel de acompanhamento das notas por especialidade para uso aberto por estudantes da área da saúde.

Built With

  • ai
  • chatbot
  • css3
  • education
  • gemini-api
  • generative-ai
  • github
  • google-ai-studio
  • google-gemini
  • google-genai
  • healthcare
  • html5
  • latex
  • llm
  • markdown
  • prompt-engineering
  • python
  • python-dotenv
  • streamlit
  • visual-studio-code
Share this project:

Updates

Submission history