Este whitepaper explora se o histórico que um médico deixa em um buscador clínico pode virar um retrato que descreva essa pessoa específica, e não apenas o tipo de médico a que pertence. Quatro agentes de modelos de linguagem, cegos entre si, leram cada histórico da perspectiva de um clínico, de um educador, de um pesquisador de comportamento informacional e de um cético, gerando retratos com mediana de cerca de 10,700 tokens. Os retratos foram testados em 339 médicos e 34,241 buscas da Arkangel AI com três avaliações: identificação, especialidade e geração de consultas futuras.
Ao dividir cada histórico em dois, o retrato de uma metade correspondeu à outra metade do mesmo médico em 78.4% dos casos (acaso 0.3%), mas simplesmente concatenar o texto bruto das buscas chegou a 85.0% e superou o retrato em todos os estratos de volume. O retrato identificou a especialidade declarada em 49.9% dos médicos, contra 41.3% do texto bruto, vantagem que veio dos clínicos gerais, e na geração de consultas classificou o médico correto mais acima para 157 médicos contra 96 (p < 0.0001), embora a diferença no primeiro lugar não tenha sido significativa (p = 0.17). A concordância entre retratos de metades diferentes foi limitada (ICC mediano de 0.496 em 22 dimensões), e uma revisão posterior do código encontrou uma sobreposição entre treino e teste que afetou 3.7% do conjunto reservado. Todos os achados são exploratórios; é um whitepaper sem revisão por pares.
