IA para Revisão Sistemática em Enfermagem
Como usar inteligência artificial de forma ética e transparente em revisões sistemáticas na enfermagem, sem comprometer o rigor do PRISMA.
Revisão sistemática em enfermagem tem suas particularidades
Vamos lá. Se você é pesquisadora da área de enfermagem e está planejando ou executando uma revisão sistemática, provavelmente já se deparou com a enormidade do trabalho que esse tipo de estudo exige. São centenas, às vezes milhares de artigos para triar, dados para extrair, qualidade para avaliar.
É natural que a inteligência artificial apareça nesse cenário como uma possível aliada. E ela pode ser, desde que usada com consciência sobre o que cada ferramenta faz, quais são seus limites e como documentar tudo isso de forma transparente.
Este post não é um tutorial de ferramentas. É uma conversa sobre como pensar o uso de IA em revisões sistemáticas de um jeito que preserve o rigor que esse tipo de estudo exige.
O que uma revisão sistemática em enfermagem precisa entregar
Antes de falar sobre IA, é importante ter claro o que torna uma revisão sistemática rigorosa na enfermagem, ou em qualquer área.
Uma revisão sistemática é uma síntese de evidências sobre uma pergunta específica, conduzida de forma transparente, reproduzível e com avaliação crítica dos estudos incluídos. O que diferencia ela de uma revisão narrativa qualquer é exatamente isso: a metodologia explícita e auditável.
Isso significa que qualquer pessoa deve poder ler sua revisão e entender exatamente o que você buscou, em quais bases, com quais termos, quando, quais critérios de inclusão e exclusão usou, como avaliou a qualidade dos estudos e como chegou às suas conclusões.
O PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) é o guia de reporte mais usado. Não é só uma lista de checagem para o final: é um roteiro para pensar a revisão desde o início.
Essa transparência total é o que está em jogo quando você decide usar IA em alguma etapa do processo.
Onde a IA pode entrar numa revisão sistemática
Existem etapas distintas em uma revisão sistemática onde ferramentas de IA têm sido usadas. Cada uma delas tem implicações metodológicas diferentes.
Na construção da estratégia de busca: alguns pesquisadores usam LLMs (modelos de linguagem como o ChatGPT ou Claude) para ajudar a gerar termos controlados, sinônimos e variações de descritores para as bases de dados. Isso pode ser útil como ponto de partida, mas a estratégia final precisa ser validada por alguém com conhecimento em pesquisa bibliográfica, idealmente uma bibliotecária de referência.
Na busca automatizada: ferramentas como o Rayyan, Covidence, Abstrackr e EPPI-Reviewer usam IA para apoiar a triagem de artigos por título e resumo. Algumas aprendem com suas decisões iniciais e passam a sugerir inclusões e exclusões. O protocolo de uso precisa estar descrito no artigo.
Na extração de dados: algumas ferramentas experimentais permitem extração automatizada de dados de tabelas e seções de artigos. Esse ainda é um ponto de atenção grande, porque erros na extração afetam diretamente os resultados.
Na avaliação de qualidade: ferramentas como o RobotReviewer usam IA para sugerir a avaliação de risco de viés em ensaios clínicos. Também precisam de verificação humana.
Na síntese e escrita: usar IA para redigir partes da revisão é o ponto mais delicado de todos. A discussão e a conclusão de uma revisão sistemática exigem interpretação crítica das evidências. Isso não é delegável para uma IA.
A questão da transparência metodológica
Esse é o ponto central. A principal exigência ética em relação ao uso de IA em revisões sistemáticas não é que você não a use, é que você seja completamente transparente sobre como a usou.
O que isso significa na prática?
Na seção de métodos, você precisa descrever cada ferramenta de IA utilizada pelo nome, versão quando disponível, em qual etapa foi usada, com quais configurações e como a verificação humana foi feita.
Periódicos diferentes têm políticas diferentes sobre IA. Alguns já exigem uma declaração específica de uso de IA no manuscrito, separada da seção de métodos. Verifique as instruções para autores do periódico onde você vai submeter.
O protocolo da revisão (que deve ser registrado preferencialmente no PROSPERO antes de começar) deve mencionar o uso de ferramentas de IA se isso estiver previsto.
Faz sentido? Transparência não é punição. É o que garante que outros pesquisadores possam reproduzir ou questionar seus métodos.
O perigo da IA invisível no processo
Tem um risco específico que vale nomear aqui. É quando a IA é usada mas não declarada, seja por desconhecimento de que precisa ser declarada, seja por uma escolha consciente de omitir.
Isso é problema por duas razões.
A primeira é ética. Se você usou uma ferramenta que automatizou parte das decisões de triagem, isso precisa ser conhecido. Porque a ferramenta pode ter vieses, pode ter falhas, pode ter excluído estudos que você teria incluído. O leitor e os revisores do periódico têm o direito de saber.
A segunda é de rigor científico. Uma revisão sistemática cujos métodos não são completamente reportados não pode ser reproduzida. E uma revisão não reproduzível tem valor metodológico limitado, independentemente da qualidade dos estudos que analisou.
O princípio que guia o uso ético de IA na pesquisa acadêmica é simples: ferramenta visível, processo transparente.
Ferramentas específicas que você pode pesquisar
Vou mencionar algumas ferramentas que existem especificamente para revisões sistemáticas com suporte de IA. Não é uma lista exaustiva e não é uma recomendação, porque a adequação depende do seu projeto, da sua instituição e das exigências do periódico.
Rayyan: plataforma gratuita desenvolvida pela Universidade do Qatar, com funcionalidades de IA para triagem colaborativa de artigos. Muito usada em saúde.
Covidence: plataforma paga (mas com acesso gratuito para estudantes em algumas instituições), usada pela Cochrane. Tem recursos para triagem, extração e avaliação de qualidade.
Abstrackr: ferramenta gratuita de triagem semi-automatizada desenvolvida por pesquisadores de saúde pública.
EPPI-Reviewer: desenvolvida pelo EPPI-Centre da UCL, tem funcionalidades avançadas incluindo mapeamento de evidências.
RobotReviewer: foco em avaliação de risco de viés em ensaios clínicos.
Para bases de dados específicas da enfermagem, como CINAHL, a busca ainda é majoritariamente manual com estratégias construídas por humanos.
Antes de usar qualquer ferramenta, um aviso
O Método V.O.E. tem um princípio que se aplica aqui: antes de usar qualquer ferramenta de IA, você precisa saber o que está fazendo manualmente. Quem não sabe fazer triagem de artigos com os próprios olhos e critérios não está em posição de avaliar se a IA está errando.
Isso não é contra o uso de ferramentas. É a favor do conhecimento que te permite usá-las com discernimento.
Se você está nas primeiras revisões sistemáticas da sua carreira, faça pelo menos uma triagem completa manualmente antes de automatizar qualquer parte. Isso vai te dar o referencial para entender o que a ferramenta está fazendo bem e onde ela está pecando.
O que isso muda na prática da pesquisa em enfermagem
A área de enfermagem tem uma produção de revisões sistemáticas muito relevante, especialmente sobre práticas clínicas, cuidados de saúde e gestão de serviços. Muitas dessas revisões alimentam diretrizes clínicas e protocolos de cuidado.
Quando a IA entra nesse processo com transparência e rigor, o potencial é genuíno: revisões mais abrangentes, menos fadiga de pesquisadora, maior volume de estudos analisados.
Quando entra sem transparência ou sem verificação adequada, o risco é que evidências de má qualidade cheguem a diretrizes que influenciam como pacientes são cuidados.
Esse é o peso do trabalho que você está fazendo. E é por isso que a discussão sobre ética no uso de IA na pesquisa não é burocracia acadêmica, é cuidado com o que sua pesquisa vai gerar no mundo.