O Observatório Brasileiro de Inteligência Artificial (OBIA) realiza, em 3 de setembro, seu terceiro seminário, dedicado ao debate sobre os impactos da inteligência artificial em temas sociais emergentes. O evento é promovido pelo OBIA, área do Núcleo de Informação e Coordenação do Ponto BR (NIC.br), e integra as iniciativas relacionadas ao Plano Brasileiro de Inteligência Artificial (PBIA), do Governo Federal.

A programação reúne pesquisadores, especialistas e representantes de instituições como INPE, UFRJ, USP, UFMG, UnB, UFPE, MCTI e Ministério do Meio Ambiente. Entre os temas estão o uso da IA para sustentabilidade, clima e biodiversidade, os impactos ambientais da própria infraestrutura de inteligência artificial, riscos, incidentes e governança, além da formação em IA no Brasil. A programação inclui ainda uma palestra sobre inteligência artificial e mudanças climáticas.

O seminário será realizado presencialmente no Centro de Convenções Rebouças, em São Paulo, com transmissão online das discussões pelo canal do NIC.br no YouTube. Segundo a organização, o evento busca fomentar uma discussão qualificada sobre os efeitos da IA e promover a troca de conhecimentos entre especialistas e profissionais da área. Mais informações aqui.

Fonte: NIC.br
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

Uma iniciativa conjunta das plataformas Hugging Face e alphaXiv colocou agentes de inteligência artificial diante de um desafio de grande escala: verificar se resultados apresentados em artigos científicos poderiam ser reproduzidos. A experiência ocorreu em meio ao crescimento acelerado do número de trabalhos submetidos à International Conference on Machine Learning, a ICML, que neste ano aceitou cerca de 6 mil artigos.

Mais de 1.200 participantes se envolveram no desafio e, ao todo, foram analisados mais de 2 mil trabalhos. Os agentes de IA foram utilizados para executar tarefas relacionadas à reprodução dos experimentos e à verificação das evidências apresentadas nos artigos. O participante vencedor, Jansen Tang, que não é pesquisador de inteligência artificial, conseguiu reproduzir os resultados de 363 artigos em 19 dias com o auxílio de uma equipe de agentes de IA.

A iniciativa também encontrou problemas. Centenas de resultados não puderam ser reproduzidos ou apresentaram evidências consideradas insuficientes, e os organizadores confirmaram até o momento pelo menos 12 artigos com erros reais que haviam passado pela revisão humana.

O experimento não significa que a IA possa substituir a revisão por pares. Questões como novidade, relevância e significado científico ainda exigem avaliação humana. O resultado, porém, aponta para uma possível utilização dos agentes de IA como ferramentas complementares para ampliar a capacidade de verificação da pesquisa científica em um cenário no qual o volume de publicações cresce mais rapidamente do que a capacidade de avaliação dos pesquisadores.

Fonte: Science
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

Nem toda revisão que chega a uma revista médica nasceu para responder se um tratamento funciona. Às vezes o manuscrito pretende apenas mapear o que já se sabe sobre um tema amplo e ainda pouco delimitado; em outras, o objetivo é medir o quanto um teste acerta ao separar quem tem de quem não tem uma condição, reunindo várias avaliações desse tipo em uma só análise; e, com alguma frequência, o que chega à mesa do editor nem é uma revisão concluída — é o protocolo, registrado e submetido antes mesmo de a busca começar.

A PRISMA 2020 foi desenhada para revisões sistemáticas que sintetizam o efeito de uma intervenção; para esses três cenários, e aqui adicionamos um quarto que atravessa qualquer um deles — a busca mal documentada —, existe uma extensão própria: a PRISMA-ScR, a PRISMA-DTA, a PRISMA-P, e a PRISMA-S.

Na Série Diretrizes de Relato, já assentamos a base normativa da publicação científica com o ICMJE e a COPE, apresentamos a EQUATOR Network — o mapa que organiza as diretrizes por tipo de estudo —, percorremos os ensaios clínicos randomizados (CONSORT e SPIRIT), os estudos observacionais (STROBE) e, no texto anterior, os estudos de acurácia diagnóstica e os modelos de predição (STARD e TRIPOD).

Voltamos agora às revisões de literatura, para além do que tratamos no texto sobre as diretrizes PRISMA, anterior a esta série: quatro extensões — três para revisões que não se encaixam no molde de uma revisão sistemática de efeitos e uma para a busca que sustenta qualquer uma delas. Como o tema atravessa praticamente todas as áreas do conhecimento, este texto fala a editores de qualquer especialidade.

Recapitulando: o que é a PRISMA 2020

Vale recapitular, em poucas linhas, o que a diretriz original estabelece antes de tratar de suas extensões. A PRISMA — sigla de Preferred Reporting Items for Systematic reviews and Meta-Analyses — é a diretriz de relato para revisões sistemáticas e metanálises que avaliam o efeito de uma intervenção, como detalhamos no texto sobre as diretrizes PRISMA.

Publicada originalmente em 2009 e atualizada na versão PRISMA 2020, ela se traduz, na prática, em dois instrumentos: uma lista de verificação de 27 itens, que acompanha a estrutura do artigo do título às informações adicionais, e um fluxograma que documenta o caminho dos estudos ao longo da revisão, da busca à síntese final. É esse molde — pensado para revisões de efeito — que as extensões a seguir adaptam ou complementam, para cenários que não se encaixam nele ou que o atravessam por inteiro.

Veja abaixo um exemplo de fluxograma PRISMA gerado automaticamente pela ferramenta "Gerador de fluxograma PRISMA 2020", dentre um hub de ferramentas gratuitas do Blog, a partir dos números informados pelo autor.

Quatro problemas, quatro extensões

Essas quatro extensões PRISMA do molde original, porém, não resolvem o mesmo problema: as três primeiras respondem a perguntas diferentes sobre o tipo de revisão que chega à redação — mapear uma literatura, medir uma acurácia combinada ou planejar uma revisão antes de ela começar —, enquanto a quarta trata de um problema transversal a qualquer uma delas: como relatar a busca que sustenta a revisão. A escolha das quatro não foi arbitrária: são, com uma exceção, as extensões mais citadas da família PRISMA, segundo as contagens de citação do Semantic Scholar — a exceção é a PRISMA-DTA, incluída pela continuidade com o texto anterior desta série, sobre STARD e TRIPOD, que também trata de acurácia diagnóstica. Vale colocar as quatro lado a lado antes de entrar no detalhe de cada uma:

PRISMA-ScR: revisões de escopo

PRISMA-ScR é a extensão da PRISMA para revisões de escopo (scoping reviews) — sínteses cujo objetivo não é somar o efeito de uma intervenção, mas mapear a extensão, a natureza e as lacunas da literatura sobre um tema, esclarecer conceitos ainda mal delimitados ou decidir se, afinal, uma revisão sistemática completa se justifica.

Publicada em 2018 na Annals of Internal Medicine¹, foi desenvolvida com a participação de pesquisadores do Joanna Briggs Institute (JBI), referência mundial em metodologia de revisões de escopo. Sua lista de verificação oficial reúne 22 itens — 20 essenciais e 2 opcionais, ligados à apreciação crítica das fontes incluídas —, organizados nas mesmas seções da PRISMA 2020, mas sem os itens de metanálise e de síntese de risco de viés: uma revisão de escopo não pondera o tamanho de um efeito nem julga a força do conjunto de evidências e cobrar isso do autor é pedir o que a própria diretriz dispensa. A escolha entre os dois desenhos, aliás, é o tema de um guia de referência amplamente citado sobre quando optar por uma revisão de escopo em vez de uma revisão sistemática².

PRISMA-DTA: revisões de acurácia diagnóstica

Enquanto a STARD orienta o relato de um único estudo de acurácia diagnóstica — como vimos no texto anterior desta série —, a PRISMA-DTA orienta o relato da revisão sistemática ou da metanálise que reúne vários desses estudos para estimar uma acurácia combinada.

Publicada em 2018 na JAMA³, com um documento de explicação e elaboração no BMJ, sua lista de verificação oficial tem 27 itens: 8 mantidos sem alteração em relação à PRISMA original, 17 modificados e 2 acrescentados — entre eles, itens específicos sobre os métodos de síntese de sensibilidade e especificidade —, enquanto 2 itens da lista original foram considerados não aplicáveis a esse desenho e omitidos. Como em toda revisão de acurácia diagnóstica, o risco de viés dos estudos incluídos é avaliado com uma ferramenta própria, a QUADAS-2, que trataremos com mais detalhe em texto futuro desta série.

PRISMA-P: protocolos de revisão

Diferentemente das demais diretrizes desta série, a PRISMA-P não relata um estudo já concluído: relata o plano de uma revisão sistemática antes de sua condução — a justificativa, a pergunta, os critérios de elegibilidade e os métodos previstos, incluindo os de síntese e de avaliação de risco de viés.

Registrar e publicar esse protocolo é o que permite a qualquer leitor comparar, mais tarde, o que foi planejado com o que de fato foi feito e é a principal barreira contra mudanças de método decididas depois de os resultados já serem conhecidos.

Publicada em 2015 na revista Systematic Reviews⁴, com um documento de explicação e elaboração no BMJ⁵, a lista de verificação oficial da PRISMA-P reúne 17 itens — que somam 26 com os subitens —, distribuídos em três seções: informações administrativas (identificação, registro, autoria, emendas e apoio), introdução (justificativa e objetivos) e métodos (da estratégia de busca à avaliação da certeza da evidência).

Sugerir — ou exigir — que a revisão seja registrada antes do início da busca em bases que trataremos com mais detalhe em texto futuro desta série, e que o protocolo siga a PRISMA-P, é uma recomendação que já fizemos no texto sobre as diretrizes PRISMA; vale reforçá-la aqui, na origem do processo, onde ela produz mais efeito.

PRISMA-S: relato da busca

PRISMA-S é a extensão da PRISMA para o relato da busca — a etapa que sustenta qualquer revisão sistemática, seja um mapeamento de escopo, uma síntese de acurácia diagnóstica ou uma revisão sistemática de efeito clássica e que segue sendo, mesmo nas revisões mais bem relatadas, a parte mais mal documentada do processo. Diferente das três extensões anteriores, a PRISMA-S não compete com nenhuma delas: complementa qualquer uma, detalhando como relatar as fontes consultadas e a estratégia executada a ponto de outra pessoa conseguir reproduzi-la.

Publicada em 2021 na revista Systematic Reviews, com publicação simultânea no Journal of the Medical Library Association, sua lista de verificação oficial reúne 16 itens, em quatro blocos: fontes de informação e métodos (das bases de dados aos contatos com autores), estratégias de busca (a reprodução literal do que foi executado, com filtros e datas), revisão por pares da estratégia e gerenciamento dos registros recuperados (total por fonte e deduplicação).

Na política editorial

Contemplar essas quatro extensões dentro das diretrizes aos autores segue o mesmo princípio de toda a série: transformá-las em regra formal do fluxo editorial. Algumas sugestões concretas ao elaborar ou revisar a política editorial:

1. Peça a extensão certa desde a triagem. A PRISMA-ScR para revisões de escopo, a PRISMA-DTA para revisões de acurácia diagnóstica, a PRISMA-P para protocolos, e a PRISMA-S junto com qualquer uma delas — cobrar a diretriz errada do desenho é o erro mais comum nessa triagem.

2. Não peça o que a diretriz dispensa. Uma revisão de escopo não precisa de síntese quantitativa nem de avaliação formal de risco de viés como se fosse uma revisão sistemática de efeitos.

3. Exija o registro do protocolo. Sugira — ou exija — que toda revisão sistemática submetida à revista tenha sido registrada antes do início da busca — no PROSPERO, para revisões da área da saúde, ou no OSF Registries, para as demais —, com o protocolo relatado segundo a PRISMA-P.

4. Peça o checklist com página ou linha. Como em toda a série, o documento preenchido deve indicar onde, no manuscrito, cada item foi atendido (veja nosso checklist gratuito).

5. Incorpore a conferência à avaliação por pares. Que a aderência à extensão correta seja verificada por uma pessoa e não apenas declarada pelo autor.

Relatadas com a extensão certa, essas quatro frentes — mapeamento, acurácia diagnóstica, protocolo e busca — deixam de competir por um molde que não foi feito para elas, ou de passar despercebidas dentro dele, e passam a comunicar exatamente o que se propuseram a fazer. Além desses cenários, a família PRISMA reúne outras extensões para desenhos ainda mais específicos — revisões em rede, dados de pacientes individuais, equidade, entre outras —, reunidas na lista oficial de extensões, atualmente em 17, incluindo as abordadas neste post.

Para o editor, a diferença está em reconhecer, já na triagem, qual pergunta aquele manuscrito está de fato respondendo — e se a busca que o sustenta foi relatada de um jeito que permita reproduzi-la.

Referências

1. Tricco AC, Lillie E, Zarin W, et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Ann Intern Med. 2018;169(7):467-473.
2. Munn Z, Peters MDJ, Stern C, Tufanaru C, McArthur A, Aromataris E. Systematic review or scoping review? Guidance for authors when choosing between a systematic or scoping review approach. BMC Med Res Methodol. 2018;18:143.
3. McInnes MDF, Moher D, Thombs BD, et al. Preferred Reporting Items for a Systematic Review and Meta-analysis of Diagnostic Test Accuracy Studies: The PRISMA-DTA Statement. JAMA. 2018;319(4):388-396.
4. Moher D, Shamseer L, Clarke M, et al. Preferred reporting items for systematic review and meta-analysis protocols (PRISMA-P) 2015 statement. Syst Rev. 2015;4:1.
5. Shamseer L, Moher D, Clarke M, et al. Preferred reporting items for systematic review and meta-analysis protocols (PRISMA-P) 2015: elaboration and explanation. BMJ. 2015;349:g7647.

Chega à sua revista um estudo que propõe um novo teste para detectar uma doença — ou um escore que estima o risco de um paciente vir a desenvolvê-la. Os números impressionam: alta sensibilidade e excelente capacidade de discriminação. Antes de encaminhá-lo à avaliação por pares, porém, o editor precisa saber se esses números se sustentam fora da amostra em que nasceram: em quem o teste foi avaliado? contra qual padrão de referência? O modelo foi testado em pacientes diferentes dos que o originaram? É desse tipo de transparência que dependem duas diretrizes: a STARD e a TRIPOD.

Na Série Diretrizes de Relato, já assentamos a base normativa da publicação científica, apresentamos a EQUATOR Network – o mapa que organiza as diretrizes por tipo de estudo – e percorremos os ensaios clínicos randomizados (CONSORT e SPIRIT) e os estudos observacionais (STROBE). Passamos agora a dois desenhos que alimentam diretamente a decisão clínica: os estudos de acurácia diagnóstica e os modelos de predição. Este texto fala de perto a editores de periódicos de medicina, medicina laboratorial, radiologia e epidemiologia clínica.

Dois problemas distintos, duas diretrizes

Embora muitas vezes apareçam lado a lado, acurácia diagnóstica e predição respondem a perguntas diferentes. Um estudo de acurácia diagnóstica avalia o quanto um teste – um exame de imagem ou um marcador laboratorial, por exemplo – acerta ao separar quem tem de quem não tem a condição, sempre em comparação a um padrão de referência, que seria o melhor método disponível para confirmar o diagnóstico.

Já um modelo de predição combina informações do paciente em uma estimativa de probabilidade: a de ter uma doença no presente (modelo diagnóstico) ou a de desenvolver um desfecho no futuro (modelo prognóstico). O primeiro é o problema de um teste; o segundo, o de uma fórmula que reúne fatores diversos. Para cada um, uma diretriz de relato diferente: STARD e TRIPOD.

STARD: o relato de estudos de acurácia diagnóstica

STARD é a sigla de Standards for Reporting of Diagnostic Accuracy Studies (Padrões para o Relato de Estudos de Acurácia Diagnóstica). Publicada em 2003 e atualizada na versão STARD 2015, reúne 30 itens¹ e um fluxograma de participantes. Ela exige que o estudo deixe claros pontos que, quando omitidos, inflam artificialmente a acurácia: como os participantes foram selecionados (um teste avaliado só em doentes graves, contra pessoas claramente saudáveis, parece melhor do que é), qual foi o padrão de referência, se quem interpretou o teste estava cego ao resultado desse padrão, como se trataram os resultados indeterminados e quais medidas de acurácia foram relatadas (sensibilidade, especificidade, valores preditivos), com suas medidas de precisão. Há um documento de explicação e elaboração com exemplos² e extensões como a STARD para resumos e, mais recentemente, a STARD-AI, para testes diagnósticos baseados em inteligência artificial.

Acesse o diagrama STARD didático, interativo e gratuito, elaborado pelo Blog Periódico Eletrônico. 

TRIPOD: o relato de modelos de predição

TRIPOD é a sigla de Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (Relato Transparente de um modelo de predição multivariável para Prognóstico ou Diagnóstico Individual). Publicada em 2015, com 22 itens³, aplica-se ao desenvolvimento de um modelo, à sua validação ou a ambos.

Seu foco recai sobre o que costuma faltar nesses estudos: a fonte dos dados e os participantes, o desfecho e os preditores, o tamanho da amostra, o tratamento de dados faltantes, como o modelo foi construído e, o ponto decisivo, como seu desempenho foi avaliado. Aqui, relatar apenas a discriminação (a capacidade de ordenar quem tem maior ou menor risco, medida por índices como a área sob a curva ROC) não basta: é preciso relatar também a calibração (se as probabilidades previstas correspondem às observadas) e, sobretudo, se o modelo foi validado em pacientes diferentes daqueles com que foi criado.

Um modelo que se ajusta bem demais aos próprios dados, o chamado overfitting, pode fracassar diante de novos pacientes; sem validação e calibração, um bom número de discriminação diz pouco. O documento de explicação e elaboração detalha cada item⁴ e a diretriz já ganhou extensões, como a TRIPOD+AI, para modelos que usam aprendizado de máquina⁵.

Relatar e avaliar o viés: um par para cada

Como em toda a série, vale a distinção entre relatar e avaliar o risco de viés. A STARD e a TRIPOD dizem o que informar; para julgar o risco de viés desses estudos existem ferramentas próprias — a QUADAS-2, para acurácia diagnóstica, e a PROBAST, para modelos de predição, que retomaremos em um texto específico mais adiante nesta série.

Na política editorial

Levar a STARD e a TRIPOD para dentro da revista é, como sempre, transformá-las em regra formal. Algumas sugestões concretas ao elaborar ou revisar a política editorial:

• Exija a diretriz certa para cada desenho. A STARD, com o fluxograma, para estudos de acurácia diagnóstica; a TRIPOD para modelos de predição, sempre com o checklist preenchido e a indicação de página ou linha.
• Exija o essencial de cada uma. No diagnóstico, o padrão de referência e o cegamento; na predição, a validação (interna e externa) e a calibração, não apenas a discriminação.
• Peça a extensão adequada quando houver IA. STARD-AI ou TRIPOD+AI, que abordaremos em maior detalhe futuramente no texto sobre diretrizes de relato para inteligência artificial.
• Vigie a superestimação. Seleção enviesada de pacientes (no diagnóstico) e modelos sem validação externa (na predição) são as fontes mais comuns de números bons demais para serem verdade.
• Incorpore a conferência à avaliação por pares. Que a aderência seja verificada por uma pessoa, e não apenas declarada pelo autor.

Relatados com transparência, um teste e um modelo deixam de ser promessas de bons números e tornam-se ferramentas que outro serviço pode avaliar e, se for o caso, adotar com segurança. Para o editor, é a diferença entre publicar um resultado promissor e publicar um resultado confiável.

No próximo texto, voltaremos às revisões de literatura e olharemos além da PRISMA: as extensões PRISMA-ScR, para revisões de escopo, PRISMA-DTA, para revisões de acurácia diagnóstica, e PRISMA-P, para protocolos de revisão.

Referências

1. Bossuyt PM, Reitsma JB, Bruns DE, et al. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015;351:h5527.
2. Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016;6(11):e012799.
3. Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): the TRIPOD statement. Ann Intern Med. 2015;162(1):55-63.
4. Moons KGM, Altman DG, Reitsma JB, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162(1):W1-W73.
5. Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378.

Texto produzido com auxílio de Inteligência Artificial, planejado e revisado pelo autor.
Confira nossa Política de Uso de IA.

A inteligência artificial está ganhando espaço em diferentes etapas da comunicação científica, da descoberta de informações à avaliação de manuscritos. Dois movimentos recentes da Elsevier ilustram essa transformação e também destacam a importância de manter critérios de transparência, segurança e supervisão humana.

No Brasil, pesquisadores passaram a contar com a plataforma LeapSpace, desenvolvida pela Elsevier para apoiar a busca e a exploração da literatura científica. A ferramenta utiliza inteligência artificial para auxiliar na localização e análise de informações acadêmicas e apresenta as fontes relacionadas às respostas, permitindo ao pesquisador verificar a origem do conteúdo.

Na outra ponta do processo científico, a Elsevier publicou orientações para o uso de IA durante a revisão por pares. As recomendações permitem o uso de ferramentas de IA em determinadas tarefas de apoio, mas reforçam que a análise científica e a decisão sobre um manuscrito continuam sendo responsabilidade do revisor. A editora também alerta para a necessidade de proteger informações confidenciais e evitar o envio de manuscritos, dados ou outros conteúdos inéditos a ferramentas que possam armazená-los ou utilizá-los para treinamento.

Os dois casos mostram que a adoção de IA na pesquisa científica não se resume à automação de tarefas. À medida que essas ferramentas passam a participar da descoberta, interpretação e avaliação do conhecimento, questões como rastreabilidade das informações, proteção de dados e responsabilidade humana tornam-se cada vez mais importantes para pesquisadores, revisores e editores científicos.

Fonte: Elsevier
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

Um manuscrito chega à sua revista: um estudo de coorte (tipo de pesquisa médica e científica que observa um grupo de pessoas ao longo do tempo) conclui que determinada exposição está associada a um desfecho de saúde. Os dados parecem consistentes e a análise, competente.

Ainda assim, antes de encaminhá-lo à avaliação por pares, uma pergunta se impõe ao editor — o texto informa o suficiente para que alguém julgue como os participantes foram selecionados, quais variáveis foram medidas e que outros fatores poderiam explicar a associação por um caminho diferente?

Em um estudo observacional, é dessa transparência, e não da força isolada do resultado, que depende a confiança na conclusão. Padronizá-la é o trabalho da STROBE e de suas extensões.

Na Série Diretrizes de Relato, já percorremos a base normativa da publicação científica e o mapa que organiza as diretrizes por tipo de estudo, a EQUATOR Network. No texto anterior, tratamos dos ensaios clínicos randomizados, com a CONSORT e a SPIRIT. Passamos agora dos estudos de intervenção para os estudos observacionais — a maior parte da produção científica em saúde — e, com eles, para a diretriz mais usada nesse território: a STROBE. Este texto fala de perto a editores de periódicos de saúde, epidemiologia e saúde coletiva, mas interessa a qualquer revista que publique estudos de observação.

Observar não é intervir

Em um ensaio clínico, o pesquisador intervém: sorteia quem recebe o quê e compara os grupos. No estudo observacional, ele apenas observa o que acontece na vida real — acompanha grupos ao longo do tempo (coorte), compara quem tem e quem não tem uma doença olhando para o passado (caso-controle) ou fotografa uma população em um dado momento (transversal).

Sem sorteio, os grupos podem diferir de partida em inúmeros aspectos e um terceiro fator – complicador em muitos casos – pode explicar a associação observada. Por isso o relato de um observacional exige transparência redobrada sobre o desenho, os critérios de seleção, as variáveis medidas, os vieses possíveis e o tratamento dos dados faltantes: é isso que permite ao leitor julgar se a associação encontrada resiste ao escrutínio.

STROBE: o padrão dos estudos observacionais

STROBE é a sigla de Strengthening the Reporting of Observational Studies in Epidemiology (Fortalecimento do Relato de Estudos Observacionais em Epidemiologia). Publicada em 2007 por uma iniciativa internacional¹, é hoje a diretriz de relato mais adotada para esse tipo de estudo.

Sua lista de verificação reúne 22 itens que acompanham a estrutura do artigo — título e resumo, introdução, métodos, resultados e discussão — e cobre os três principais desenhos observacionais (coorte, caso-controle e transversal); alguns itens trazem recomendações específicas para cada desenho.

Para o detalhamento de cada item, com exemplos, a STROBE mantém um documento de explicação e elaboração². Vale lembrar que ela é uma diretriz de relato, não de qualidade: diz o que precisa estar descrito, não se o estudo é bom ou ruim. Editores brasileiros contam, inclusive, com uma tradução comentada em português³, publicada na Revista de Saúde Pública.

A RECORD (REporting of studies Conducted using Observational Routinely-collected health Data), publicada em 2015⁴, é a extensão da STROBE que acrescenta itens justamente para tornar transparente o uso desses dados de rotina — há ainda a RECORD-PE, voltada a estudos de farmacoepidemiologia. Quando o estudo se apoia em bases desse tipo, é a RECORD, e não apenas a STROBE, que o editor deve exigir.

STROBE-MR: randomização mendeliana

A terceira peça atende a um método específico e em rápida expansão na epidemiologia genética: a randomização mendeliana. A ideia é engenhosa — usar variantes genéticas, distribuídas ao acaso na concepção, como instrumentos para inferir se uma exposição realmente causa um desfecho, aproximando um estudo observacional de um “experimento natural”. Mas suas conclusões dependem de premissas fortes (relevância do instrumento, independência e restrição de exclusão) que precisam ser relatadas com clareza. A STROBE-MR, publicada em 2021⁵, é a extensão que padroniza esse relato, para que o leitor possa avaliar se as premissas foram atendidas.

A família de extensões da STROBE

RECORD e STROBE-MR são apenas duas de uma família maior de extensões, que ajustam a STROBE a desenhos, dados e áreas específicas. O ponto prático para o editor é simples: existe quase sempre uma extensão adequada ao contexto do estudo e a EQUATOR Network ajuda a encontrar a certa. Entre as principais:

• STREGA — estudos de associação genética entre variantes e doenças.
• STROBE-ME — epidemiologia molecular, com uso de biomarcadores.
• RECORD — estudos com dados de saúde coletados de rotina (registros administrativos, prontuários).
• RECORD-PE — farmacoepidemiologia baseada em dados de rotina.
• STROBE-MR — estudos de randomização mendeliana.
• STROBE-Vet — pesquisa observacional em medicina veterinária.
• STROBE-SIIS — vigilância de lesões e doenças no esporte.
• STROBE-NI — estudos de infecções neonatais.
• STROBE-ID — estudos de doenças infecciosas.
• STROBE-AMS — estudos sobre o uso de antimicrobianos (stewardship).
• STROBE-RDS — amostragem dirigida por respondentes, em populações de difícil acesso.
• STROBE-nut — epidemiologia nutricional.
• STROBE-Equity — relato de equidade em saúde.

A STROBE é o tronco; as extensões, os ramos que a ajustam a cada situação — cabe ao editor exigir a que corresponde ao estudo em avaliação.

Na política editorial

Levar a STROBE e suas extensões para a revista é, como sempre, transformá-las em regra objetiva. Alguns movimentos concretos ao elaborar ou revisar a política editorial podem ser adotados:

1.Exija a lista de verificação da STROBE na submissão de estudos observacionais. Peça o checklist preenchido, com indicação de página ou linha e a identificação do desenho (coorte, caso-controle ou transversal).

2.Peça a extensão certa conforme a fonte e o método. RECORD para dados de rotina (DATASUS e afins); STROBE-MR para randomização mendeliana. Oriente o autor a localizar a extensão na EQUATOR.

3.Cobre transparência sobre vieses, confundidores e qualidade dos dados. Que o manuscrito descreva como confundidores foram tratados e, no caso de dados de rotina, a origem e as limitações das bases.

4.Vigie a linguagem causal. Em estudos observacionais, associação não é causa; a política pode orientar autores e revisores a não afirmar causalidade sem a devida justificativa metodológica.

5.Incorpore a conferência à avaliação por pares. Que a aderência seja verificada por uma pessoa, e não apenas declarada pelo autor.

Adotada com a extensão adequada, a STROBE dá ao estudo observacional o que o sorteio dá ao ensaio: não a certeza da causa, mas a transparência necessária para que cada leitor julgue, por conta própria, o quanto pode confiar naquela associação. Para o editor, é a diferença entre publicar uma manchete e publicar uma evidência.

No próximo texto, deixaremos as coortes e os grupos de comparação para entrar no terreno do diagnóstico e da previsão: apresentaremos a STARD, para estudos de acurácia de testes diagnósticos, e a TRIPOD, para modelos de predição e prognóstico.

Referências

1. von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP; STROBE Initiative. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Lancet. 2007;370(9596):1453-1457.
2. Vandenbroucke JP, von Elm E, Altman DG, et al. Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): explanation and elaboration. PLoS Med. 2007;4(10):e297.
3. Malta M, Cardoso LO, Bastos FI, Magnanini MMF, Silva CMFP. Iniciativa STROBE: subsídios para a comunicação de estudos observacionais. Rev Saúde Pública. 2010;44(3):559-565.
4. Benchimol EI, Smeeth L, Guttmann A, et al. The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) statement. PLoS Med. 2015;12(10):e1001885.
5. Skrivankova VW, Richmond RC, Woolf BAR, et al. Strengthening the Reporting of Observational Studies in Epidemiology Using Mendelian Randomization: the STROBE-MR statement. JAMA. 2021;326(16):1614-1621.

Texto produzido com auxílio de Inteligência Artificial, planejado e revisado pelo autor.
Confira nossa Política de Uso de IA.

A Revista Floresta, a BIOFIX Scientific Journal e a REVSBAU promovem, no dia 22 de outubro de 2026, o webinar “Editoração Científica, Ciência Aberta e Inteligência Artificial: Desafios e Inovações na Comunicação do Conhecimento”. As inscrições são gratuitas e devem ser realizadas até 15 de setembro de 2026, por meio do formulário disponível no link do evento.

O encontro será realizado das 9h às 17h, em formato híbrido, com atividades presenciais no Auditório CIFLOMA, no Campus Jardim Botânico da Universidade Federal do Paraná (UFPR), em Curitiba, e transmissão on-line simultânea pela UFPR TV. A programação reúne pesquisadores, editores e especialistas para discutir as transformações e os desafios da comunicação científica diante do avanço da Ciência Aberta e das ferramentas de inteligência artificial.

Entre os convidados estão Sigmar de Mello Rode, da UNESP, que abordará ética, transparência e responsabilidade no uso de IA por autores, revisores e editores; Denise Peres e Abel L. Packer, do SciELO, que tratarão de Ciência Aberta, princípios éticos, editoração científica e inteligência artificial; e Benedito Barraviera, da UNESP, com uma apresentação sobre a evolução da editoração digital desde os anos 1990.

Também participam Paula Carina de Araújo e Antonio Carlos Batista, da UFPR, com discussões sobre políticas institucionais e o panorama dos 56 anos da Revista Floresta. O encontro será encerrado com uma roda de conversa sobre os desafios e perspectivas da editoração científica na área florestal, mediada por Angeline Martini, da REVSBAU, e Ana Paula Dalla Corte, da BIOFIX Scientific Journal.

As inscrições são gratuitas e podem ser feitas através do link Webinar Editoração Científica, Ciência Aberta e Inteligência Artificial. Os participantes que optarem pela modalidade remota receberão, por e-mail, no dia 21 de outubro de 2026, o link e as informações necessárias para acompanhar a transmissão on-line.

Fonte: Revista Floresta
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

A Fundação Oswaldo Cruz (Fiocruz) disponibilizou a segunda edição do curso online Ciência Aberta, uma formação gratuita, autoinstrucional e com carga horária de 100 horas, voltada ao público interessado no tema. Coordenado academicamente pela Professora Dra. Vanessa de Arruda Jorge e pela Professora Dra. Anne Danielle Soares Clinio dos Santos , o curso está organizado em cinco módulos e apresenta fundamentos, práticas, desafios e perspectivas da Ciência Aberta, com foco no compartilhamento e na democratização do conhecimento científico.

Como parte da iniciativa da Fiocruz para fortalecer a cultura da Ciência Aberta, a formação reúne conteúdos que permitem compreender diferentes aspectos relacionados à produção, comunicação, gestão e disseminação do conhecimento. O percurso formativo aborda os fundamentos da Ciência Aberta e o cenário atual no Brasil e no mundo, além de discutir as barreiras à livre circulação do conhecimento e diferentes perspectivas críticas sobre o movimento.

A formação também dedica atenção aos marcos legais que orientam a abertura e o compartilhamento do conhecimento científico. Nesse módulo, são abordados temas como direito autoral, direitos morais e patrimoniais, domínio público, licenças Creative Commons, propriedade industrial, acesso à informação, segurança da informação e proteção de dados pessoais e de pesquisa.

Outro eixo do curso é o Acesso Aberto, com conteúdos sobre comunicação científica, revisão aberta por pares, preprints e experiências latino-americanas. Na sequência, o módulo sobre gestão, compartilhamento e abertura de dados para pesquisa apresenta conceitos e ferramentas de gestão de dados, proteção jurídica de dados em pesquisas na área da saúde, princípios FAIR, planos de gestão de dados, requisitos de financiadores e revistas científicas, além de plataformas, repositórios e data papers.

Por fim, o curso aborda Educação Aberta e Recursos Educacionais Abertos (REA), incluindo modelos, desafios e perspectivas da educação aberta, software livre e REAs. O conteúdo também discute a inteligência artificial na educação, explorando suas potencialidades, riscos e implicações pedagógicas, além de orientar sobre como encontrar, utilizar, criar, compartilhar, monitorar e avaliar recursos educacionais abertos.

Ao reunir esses diferentes temas em uma única formação, o curso oferece uma visão abrangente das práticas associadas à Ciência Aberta e de seus impactos na pesquisa e na educação. A iniciativa é oferecida pelo Campus Virtual Fiocruz e reforça o compromisso institucional com o acesso aberto à informação e à produção científica, valorizando princípios como transparência, colaboração e participação social na pesquisa. As inscrições estão abertas e podem ser realizadas gratuitamente pela página oficial do curso. 

Fonte: Campus Virtual Fiocruz
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

No dia 19 de agosto, às 14h, a Rede Brasileira de Reprodutibilidade (RBR) promoverá seu quinto webinário, dedicado aos impactos da Inteligência Artificial na pesquisa científica. O encontro discutirá como as ferramentas de IA estão transformando a produção do conhecimento e refletirá sobre seus efeitos na transparência, na reprodutibilidade dos resultados e no avanço da ciência aberta.

A programação será composta por três apresentações de 15 minutos. A primeira, conduzida por Ricardo Ceneviva, coordenador da RBR e professor da Universidade Federal do ABC (UFABC), fará uma introdução ao uso da inteligência artificial na ciência, apresentando os principais agentes disponíveis e exemplos práticos de aplicação na pesquisa. Em seguida, Rafael Sampaio, professor da Universidade Federal de Pernambuco (UFPE), abordará a relação entre IA e reprodutibilidade, discutindo oportunidades e desafios para a confiabilidade dos resultados científicos. Encerrando o evento, Ricardo Limongi, da RBR e professor da Universidade Federal de Goiás (UFG), apresentará uma reflexão sobre a evolução das tecnologias de IA e seus potenciais impactos para o futuro da pesquisa científica.

O webinário será uma oportunidade para pesquisadores, editores científicos e demais interessados compreenderem como a inteligência artificial pode contribuir para a produção acadêmica, ao mesmo tempo em que impõe novos desafios relacionados à transparência, à integridade e à reprodutibilidade da ciência. As inscrições estão abertas e podem ser realizadas por meio do link Webinário RBR: Inteligência Artificial e Reprodutibilidade

Fonte: Rede Brasileira de Reprodutibilidade (RBR)
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..