IA em Meta-Análise: Extração e Síntese de Dados

Meta-análise em 2026: o volume cresceu, as ferramentas mudaram, as exigências continuam as mesmas

Vamos lá. A meta-análise sempre foi trabalhosa por design. Você precisa identificar todos os estudos relevantes, extrair dados de forma padronizada, avaliar qualidade metodológica, e então calcular um efeito combinado. O rigor todo existe porque o resultado vai influenciar diretrizes clínicas, políticas educacionais, ou qualquer outra área em que a sua revisão se aplica.

O problema é que a literatura cresce sem parar. O número de ensaios clínicos, estudos observacionais e experimentos publicados aumenta todo ano. Uma meta-análise sobre um tema razoavelmente ativo pode ter centenas de estudos para triagem e dezenas para extração. Isso toma meses.

Então a IA entrou nessa equação. Algumas promessas são reais. Outras são armadilhas. Vamos separar.

O que a meta-análise exige que a IA ainda não faz bem

Antes de falar do que a IA ajuda, preciso ser clara sobre o que ela não faz — porque confundir as duas categorias tem consequências reais nos resultados.

Avaliação do risco de viés. Ferramentas como a RoB 2 (para ensaios clínicos randomizados) ou a Newcastle-Ottawa Scale (para estudos observacionais) exigem julgamento interpretativo. Você precisa ler o método do estudo, entender as escolhas do pesquisador, e decidir se elas introduzem viés potencial. A IA consegue extrair informações do texto — ela não consegue fazer o julgamento sobre o que essas informações significam metodologicamente.

Decisões sobre heterogeneidade. Quando o I² de uma meta-análise é alto, você precisa decidir o que fazer: análise de subgrupos, meta-regressão, ou simplesmente reconhecer que os estudos são muito diferentes para combinar. Essa decisão é científica e depende do seu entendimento do campo — não de uma ferramenta.

Interpretação dos resultados. O que significa um effect size de 0,4? É clinicamente relevante? Em qual contexto? Para qual população? Isso exige conhecimento da área, não processamento de texto.

Onde a IA genuinamente acelera o processo

Triagem assistida por aprendizado ativo. O ASReview é a ferramenta mais consolidada aqui. Você alimenta o modelo com os artigos claramente relevantes e claramente irrelevantes do início do processo, e ele aprende a priorizar os mais prováveis de serem incluídos. Isso não elimina a triagem humana — mas reorganiza a fila, colocando os artigos mais relevantes primeiro. Você chega mais rápido ao ponto de certeza.

Extração de dados estruturados. Para extrair informações padronizadas de PDFs — tamanho amostral, características dos participantes, instrumentos usados, desfechos, valores estatísticos — a IA funciona razoavelmente bem quando os artigos são bem formatados. GPT-4, Claude e ferramentas específicas como o Elicit têm sido testados com resultados variados. A taxa de erro depende muito do tipo de dado e da clareza do artigo.

O que funciona bem: extrair números claramente apresentados em tabelas e textos estruturados. O que não funciona bem: extrair informações implícitas, dados dispersos em diferentes partes do artigo, ou valores que requerem cálculo a partir de outros dados.

Deduplicação e organização de referências. Quando você busca em dez bases de dados, inevitavelmente tem duplicatas. A IA ajuda a identificar e remover duplicatas, mesmo quando os registros têm pequenas diferenças de formatação. Isso precisa de verificação, mas a tarefa bruta é muito mais rápida.

Conversão de formatos estatísticos. Para meta-análise, você frequentemente precisa converter entre formatos (odds ratio, risk ratio, hazard ratio; de médias e desvios-padrão para d de Cohen). A IA pode ajudar a identificar os valores necessários e a entender quais fórmulas de conversão aplicar — mas os cálculos finais precisam passar pelo seu software de meta-análise (RevMan, R, Stata).

Um protocolo razoável para extração com IA

Se você vai usar IA na extração de dados, aqui está uma estrutura que minimiza erros:

Piloto em pequena escala. Antes de usar IA para toda a extração, teste em 20 artigos. Compare o que a IA extraiu com o que você extrai manualmente. Calcule a concordância. Se a taxa de erro for baixa para os tipos de dado que você precisa, prossiga. Se for alta, use a IA só para dados específicos onde ela performou melhor.

Verificação dupla. Pelo menos uma pessoa revisa 100% do que a IA extraiu. Para dados críticos (tamanho amostral, desfecho primário, valores estatísticos usados no cálculo), verificação de 100% é inegociável. Para dados complementares menos sensíveis, uma amostragem pode ser suficiente — mas documente esse critério.

Registro das discordâncias. Quando você ou outro revisor discordar da extração da IA, registre. Não apenas corrija — registre. Esses dados servem para você entender onde a ferramenta erra e para documentar no artigo.

Documentação completa. Qual ferramenta, qual versão, qual prompt ou configuração, em quais etapas, com qual taxa de verificação humana. Isso vai para a seção de métodos.

O estado da evidência sobre IA em meta-análise

Estudos publicados entre 2023 e 2025 mostraram resultados consistentes sobre o uso de LLMs em extração de dados para revisões sistemáticas:

Quando os dados a serem extraídos estão claramente apresentados em texto ou tabela, a concordância entre extração humana e IA fica geralmente acima de 85%. Quando os dados requerem interpretação, cálculo ou estão fragmentados, a concordância cai significativamente.

A triagem assistida por aprendizado ativo (como o ASReview) tem evidência mais robusta: consegue reduzir substancialmente o número de artigos que precisam de triagem humana completa sem aumentar significativamente a taxa de exclusão de estudos relevantes, desde que o conjunto de treinamento inicial seja bem escolhido.

Nenhum estudo publicado até o momento recomenda substituição completa da revisão humana por IA em qualquer etapa da meta-análise.

O que os periódicos estão exigindo

A tendência dos periódicos de alto impacto, especialmente em saúde e ciências biomédicas, é pedir declaração explícita sobre uso de IA no processo de revisão. Alguns já têm políticas específicas.

O EQUATOR Network, que mantém as diretrizes de relato (incluindo PRISMA), está desenvolvendo orientações específicas para uso de IA em revisões sistemáticas. Até a publicação deste texto, não havia uma extensão oficial do PRISMA para IA — mas a expectativa é de que isso venha nos próximos anos.

Por enquanto, o princípio geral é: se você usou IA em qualquer etapa do processo, documente com o mesmo nível de detalhe que você documentaria qualquer outra decisão metodológica.

O custo de não documentar

Um problema crescente: revisões sistemáticas e meta-análises publicadas que usaram IA no processo sem mencionar isso nos métodos. Isso não é só uma questão ética — é uma questão de replicabilidade.

Se outra pesquisadora tentar reproduzir sua revisão e não sabe que você usou uma ferramenta específica de triagem, ela vai obter resultados diferentes sem entender por quê. A transparência metodológica não é formalidade — é o que garante que a ciência possa se autocorrigir.

Documente mesmo quando achar que não é necessário. A tendência dos periódicos é exigir cada vez mais esse nível de detalhe. Você vai agradecer quando o revisor pedir e você já tiver tudo descrito.

IA como aceleradora, não como substituta

Faz sentido pensar assim: a meta-análise é um método com padrões de rigor estabelecidos porque os erros têm consequências reais. Um forest plot baseado em extração incorreta pode influenciar um protocolo clínico. Uma conclusão baseada em triagem mal feita pode omitir estudos que mudariam o resultado.

A IA pode fazer o processo mais eficiente em etapas específicas. Ela não muda os padrões de rigor que fazem o método valer a pena. E quando você tiver dúvida sobre se algo precisa de verificação humana, a resposta segura é: precisa.

A pergunta que calibra bem o uso é: se alguém questionar essa decisão, você consegue explicar com base nos dados e no seu julgamento científico — não com base no que a IA disse? Se sim, você está no controle. Se não, revise o processo.