IA em Revisão Sistemática com PRISMA 2020
Como usar IA na revisão sistemática respeitando o protocolo PRISMA 2020: onde a tecnologia ajuda, onde não substitui o julgamento humano e como documentar o processo.
Revisão sistemática e IA: o casamento complicado que já está acontecendo
Olha só: revisões sistemáticas são exigentes. Estratégias de busca em múltiplas bases, triagem de centenas ou milhares de títulos e abstracts, extração de dados padronizada, síntese metodicamente documentada. É um processo que consume meses de trabalho quando feito corretamente.
Então é natural que pesquisadoras queiram usar IA para acelerar. E algumas partes do processo realmente podem ser aceleradas com tecnologia. O problema é que outras partes não podem — e confundir as duas categorias compromete a integridade da revisão.
Vamos separar o que funciona do que não funciona, sempre com o PRISMA 2020 como referência.
O que o PRISMA 2020 estabelece
O PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) é o principal guia de relato para revisões sistemáticas. A versão de 2020 atualizou a lista de checklist para 27 itens e trouxe um fluxograma redesenhado.
O espírito do PRISMA 2020 é transparência e replicabilidade. Cada decisão metodológica — como as bases foram buscadas, como os critérios de inclusão foram aplicados, como a extração de dados foi feita — precisa ser descrita com detalhe suficiente para que outro pesquisador pudesse reproduzir o processo.
O PRISMA 2020 não proíbe o uso de ferramentas automatizadas. Mas a exigência de transparência implica que qualquer ferramenta ou processo automatizado precisa ser documentado — incluindo IA.
Onde a IA genuinamente ajuda: as tarefas que ela faz bem
Tradução e adaptação de strings de busca. Você montou uma estratégia de busca em português e precisa adaptar para inglês, espanhol e francês. A IA faz isso bem, e você verifica depois se os termos técnicos foram preservados corretamente. Muito mais rápido do que tradução manual.
Deduplicação de referências. Quando você busca em múltiplas bases, inevitavelmente encontra os mesmos artigos repetidos. Ferramentas como Rayyan e Covidence já fazem isso automaticamente com IA. O resultado ainda precisa ser revisado, mas o volume de trabalho cai muito.
Sumarização de artigos para triagem. Algumas ferramentas integram IA para resumir abstracts e até textos completos, facilitando a decisão de inclusão. O Elicit faz isso para artigos do Semantic Scholar. O Rayyan tem funcionalidades similares. Mas — e esse mas importa — a decisão final de incluir ou excluir precisa ser humana e documentada.
Extração de dados assistida. Você pode usar IA para extrair informações padronizadas dos artigos — tamanho amostral, instrumento de medida, desfecho principal, risco de viés. O processo é mais rápido, mas exige verificação humana de cada extração. A IA erra em detalhes que fazem diferença.
Organização e síntese do que já foi selecionado. Com os artigos incluídos em mãos, a IA pode ajudar a identificar padrões, agrupar por abordagem metodológica, redigir tabelas de síntese. Isso não é substituição do julgamento científico — é organização de material que você já selecionou.
Onde a IA não substitui o julgamento humano
Triagem autônoma. Deixar a IA decidir sozinha quais artigos incluir ou excluir viola o princípio de revisão dupla independente que garante a confiabilidade do processo. Você pode usar a IA como suporte à decisão, mas não como decisora.
Avaliação do risco de viés. Ferramentas como a RoB 2 (para ensaios clínicos) ou a Newcastle-Ottawa Scale (para estudos observacionais) exigem interpretação de informações do estudo que a IA não consegue fazer de forma confiável. A avaliação precisa ser humana, e discordâncias entre revisores precisam ser resolvidas por consenso.
Síntese qualitativa. Interpretar o que o conjunto de evidências significa, identificar o que está faltando na literatura, articular as implicações dos achados — tudo isso é julgamento científico. A IA pode ajudar a organizar a argumentação, mas o argumento precisa ser seu.
Meta-análise estatística. A extração dos dados para meta-análise e a interpretação dos resultados precisam ser humanas. Ferramentas estatísticas (RevMan, R) podem ser usadas para os cálculos, mas o julgamento sobre quais estudos combinar e como interpretar a heterogeneidade é do pesquisador.
Como documentar o uso de IA no protocolo e no artigo
Aqui é onde muita gente fica em dúvida. O PRISMA 2020 não tem um item específico para “uso de IA”, mas a exigência de transparência cobre isso.
No protocolo (registrado no PROSPERO ou equivalente), descreva:
- Se você planeja usar ferramentas de IA em alguma etapa
- Quais ferramentas e para quais tarefas
- Como será feita a verificação humana
- Como serão tratadas as discordâncias
No artigo final, na seção de métodos, inclua:
- As ferramentas de IA usadas e suas versões (quando disponível)
- Em quais etapas foram usadas
- Como os resultados da IA foram verificados ou validados
- As limitações decorrentes do uso dessas ferramentas
Periódicos estão cada vez mais exigindo essa transparência explicitamente. Alguns já têm políticas específicas sobre divulgação de uso de IA. Verifique a política do periódico alvo antes de submeter.
O fluxograma PRISMA com IA: o que muda
O fluxograma PRISMA 2020 tem quatro fases: identificação, triagem, elegibilidade e inclusão. Com IA no processo, algumas coisas mudam na documentação:
Na fase de identificação, inclua a descrição das estratégias de busca em cada base (como sempre) e, se você usou IA para adaptar as strings entre idiomas, mencione isso. O número de registros identificados continua sendo reportado normalmente.
Na fase de triagem, se você usou IA para triagem de títulos e abstracts, descreva: qual ferramenta, quantos registros foram triados de forma assistida e como a verificação humana foi feita. O número de registros excluídos e as razões de exclusão continuam sendo reportados da mesma forma.
Na fase de elegibilidade, a avaliação de texto completo geralmente não envolve IA — é onde o julgamento humano é mais crítico.
Na fase de inclusão, os estudos incluídos na síntese qualitativa e/ou meta-análise são listados normalmente.
Ferramentas que integram IA e revisão sistemática
Algumas plataformas foram desenhadas especificamente para revisões sistemáticas com suporte de IA:
Rayyan (rayyan.ai): gratuita para uso básico, tem função de triagem com sugestão de IA e interface colaborativa para dupla revisão.
Covidence (covidence.org): paga, amplamente usada em ciências da saúde. Tem IA para deduplicação e triagem, integração com bases de dados.
Elicit (elicit.com): já mencionada antes, boa para buscas exploratórias e sumarização de artigos do Semantic Scholar.
ASReview (asreview.nl): específica para triagem com aprendizado ativo (active learning) — você treina o modelo com seus próprios critérios de inclusão.
Todas exigem que você entenda o que a ferramenta está fazendo para documentar corretamente. “Usei o Rayyan” não é documentação suficiente. “Usei o Rayyan para deduplicação e triagem assistida de títulos e abstracts, com verificação humana de 100% dos artigos marcados como incertos pela ferramenta” é.
A pergunta que importa: você conseguiria explicar cada decisão?
No final das contas, o critério para saber se você está usando IA de forma adequada em uma revisão sistemática é simples: você consegue explicar cada decisão metodológica? Se alguém te perguntar por que incluiu ou excluiu um artigo específico, você sabe responder com base nos critérios do protocolo?
Se a resposta for sim, você está no controle do processo e usando IA como ferramenta. Se a resposta for “a IA decidiu”, você tem um problema metodológico.
Revisão sistemática é, por definição, um processo metodicamente controlado para minimizar vieses. Qualquer ferramenta que você usa nesse processo precisa ser documentada e verificada. IA não é exceção. É uma ferramenta poderosa, mas continua sendo uma ferramenta.