Otimização de tempo e recursos na condução de rapid reviews com apoio de inteligência artificial: um estudo simulado comparativo
Tipo de documento
Resumo
Descrição
Resumo apresentado no 14º Fórum Brasileiro sobre Assistência Farmacêutica e Farmacoeconomia (FAFF) e publicado no Jornal de Assistência Farmacêutica e Farmacoeconomia (JAFF)
Fonte
JAFF
Ano de publicação
2026
Referência (Vancouver)
Silva TBC. Otimização de tempo e recursos na condução de rapid reviews com apoio de inteligência artificial: um estudo simulado comparativo. J Assist Farmac Farmacoecon. 2026;11.
Optimization of Time and Resources in Conducting Rapid Reviews with the Support of Artificial Intelligence: A Simulated Comparative Study.
Document type
Abstract
Description
Abstract presented at the 14th Brazilian Forum on Pharmaceutical Care and Pharmacoeconomics (FAFF) and published in the Journal of Pharmaceutical Care and Pharmacoeconomics (JAFF)
Introdução: A produção de evidências rápidas e confiáveis é fundamental para decisões em saúde, especialmente em contextos que demandam agilidade, como pandemias ou incorporação de tecnologias emergentes. Rapid reviews são versões abreviadas da revisão sistemática tradicional, que buscam reduzir tempo e recursos, mas precisam garantir rigor metodológico. O uso de inteligência artificial (IA) tem se mostrado promissor para acelerar etapas críticas, como a triagem e extração de dados, sem comprometer a qualidade dos resultados. Ferramentas como o Elicit e outras plataformas de IA têm sido aplicadas para otimizar revisões, inclusive em modelos de revisões vivas (living systematic reviews), demonstrando alto grau de concordância com métodos convencionais. Objetivo: Comparar, por meio de simulação, o desempenho de rapid reviews assistidas por inteligência artificial com o processo tradicional de revisão sistemática, focando na otimização de tempo e recursos sem comprometer a segurança e a qualidade dos resultados Métodos: Este estudo simulado comparou dois fluxos paralelos para a condução de revisões em saúde: (1) revisão sistemática tradicional e (2) rapid review assistida por IA, utilizando software para triagem automática, priorização de artigos e extração preliminar de dados. Foram simuladas 10 revisões sobre temas variados, medindose o tempo total de execução, o custo estimado em horashomens e a concordância dos resultados por meio do kappa de Cohen. A validação dos dados extraídos pela IA foi realizada por revisores humanos para garantir segurança metodológica, conforme descrito em estudos recentes. Resultados: O uso da inteligência artificial na condução das rapid reviews simuladas resultou em uma redução média de 42% no tempo total de execução e 35% no custo estimado em horashomens, em comparação com a revisão sistemática tradicional. A concordância entre os resultados obtidos pelos dois métodos foi alta, com kappa médio de 0,91, indicando excelente consistência. Além disso, nenhuma decisão final baseada nos resultados foi alterada após a validação humana das informações extraídas pela IA, reforçando a segurança do processo. Conclusões: A simulação demonstra que rapid reviews assistidas por inteligência artificial podem otimizar significativamente o tempo e os recursos necessários para produção de evidências, sem comprometer a qualidade e a segurança dos resultados. A combinação do poder computacional da IA com a supervisão humana nas etapas críticas oferece uma abordagem promissora para acelerar avaliações em saúde, especialmente em contextos que exigem agilidade na tomada de decisão.
O registro foi originalmente publicado em português. A versão em inglês foi traduzida com o apoio de inteligência artificial.
Abstract
Introduction: The production of rapid and reliable evidence is essential for healthcare decisionmaking, especially in contexts requiring agility, such as pandemics or the incorporation of emerging technologies. Rapid reviews are abbreviated versions of traditional systematic reviews that aim to reduce time and resources while maintaining methodological rigor. The use of artificial intelligence (AI) has shown promise in accelerating critical steps, such as screening and data extraction, without compromising the quality of results. Tools such as Elicit and other AI platforms have been applied to optimize reviews, including living systematic review models, demonstrating a high level of agreement with conventional methods. Objective: To compare, through simulation, the performance of artificial intelligenceassisted rapid reviews with the traditional systematic review process, focusing on optimizing time and resources without compromising the safety and quality of results. Methods: This simulated study compared two parallel workflows for conducting health reviews: (1) traditional systematic review and (2) AIassisted rapid review, using software for automated screening, article prioritization, and preliminary data extraction. Ten reviews on different topics were simulated, measuring total execution time, estimated laborhour costs, and agreement between results using Cohen’s kappa. Data extracted by AI were validated by human reviewers to ensure methodological safety, as described in recent studies. Results: The use of artificial intelligence in the simulated rapid reviews resulted in an average reduction of 42% in total execution time and 35% in estimated laborhour costs compared with traditional systematic reviews. Agreement between the results obtained by the two methods was high, with an average kappa of 0.91, indicating excellent consistency. In addition, no final decision based on the results was changed after human validation of the information extracted by AI, reinforcing process safety. Conclusions: The simulation demonstrates that artificial intelligenceassisted rapid reviews can significantly optimize the time and resources required for evidence production without compromising the quality and safety of results. The combination of AI computational power with human supervision in critical steps offers a promising approach to accelerate health assessments, especially in contexts requiring agility in decisionmaking.
