O advento da inteligência artificial (IA) e do aprendizado de máquina (ML) revolucionou vários campos, incluindo as ciências da saúde. Essas tecnologias de ponta oferecem ferramentas poderosas para a análise e interpretação de vastos conjuntos de dados, que são cada vez mais prevalentes na pesquisa médica. A utilização de métodos de IA para revisões sistemáticas tem o potencial de aumentar a precisão, eficiência e abrangência dessas avaliações críticas. Este artigo se aprofunda na integração de técnicas de aprendizado de máquina no processo de revisão sistemática dentro do domínio das ciências da saúde. Ele explora como a IA pode agilizar a extração de dados, identificar estudos relevantes e avaliar a qualidade das evidências de forma mais eficaz do que os métodos manuais tradicionais. Nossa discussão visa fornecer uma compreensão completa do impacto transformador que as metodologias de IA podem ter nas revisões sistemáticas, contribuindo, em última análise, para o avanço da pesquisa em saúde e dos resultados dos pacientes. O artigo visa avaliar criticamente como as técnicas de aprendizado de máquina (ML) podem otimizar os processos de revisão sistemática e meta-análise. Ele se concentra em várias áreas principais: melhorar a abrangência da pesquisa bibliográfica, aumentar a precisão da seleção de estudos, automatizar a extração de dados para reduzir erros, avaliar a qualidade dos estudos de forma mais objetiva, facilitar a exportação de dados para software estatístico, fornecer ferramentas de ML gratuitas para acesso mais amplo à pesquisa, dar suporte à síntese e à escrita de revisões para relatórios mais claros e integrar ML em meta-análise para melhor análise estatística, interpretação de dados e representação gráfica de dados. Concluindo, a exploração de técnicas de aprendizado de máquina (ML) no âmbito da pesquisa médica revelou um potencial significativo para aprimorar o processo de revisão sistemática e meta-análise. A aplicação de ML mostrou-se promissora em todas as etapas, desde a realização de pesquisas bibliográficas completas até a seleção de estudos, extração de dados e avaliação de qualidade. A capacidade do ML de exportar dados em um formato amigável e auxiliar na tarefa meticulosa de escrever revisões ressaltou ainda mais seu valor. À medida que a tecnologia continua a evoluir, espera-se que o ML se torne um componente integral do kit de ferramentas de revisão sistemática e meta-análise, contribuindo para o avanço da medicina baseada em evidências e, finalmente, melhorando o atendimento ao paciente e os resultados de saúde.
Notas
O registro foi originalmente publicado em inglês. A versão em português foi traduzida com o apoio de inteligência artificial.
Abstract
The advent of artificial intelligence (AI) and machine learning (ML) has revolutionized numerous fields, including health sciences. These cutting-edge technologies offer powerful tools for the analysis and interpretation of vast datasets, which are increasingly prevalent in medical research. The utilization of AI methods for systematic reviews holds the potential to enhance the accuracy, efficiency, and comprehensiveness of these critical evaluations. This paper delves into the integration of machine learning techniques in the systematic review process within the health sciences domain. It explores how AI can streamline data extraction, identify relevant studies, and assess the quality of evidence more effectively than traditional manual methods. Our discussion aims to provide a thorough understanding of the transformative impact that AI methodologies can have on systematic reviews, ultimately contributing to the advancement of healthcare research and patient outcomes. The article aims to critically evaluate how machine learning (ML) techniques can optimize systematic review and meta-analysis processes. It focuses on several key areas: improving literature search comprehensiveness, enhancing study selection accuracy, automating data extraction to reduce errors, appraising study quality more objectively, facilitating data export to statistical software, providing free ML tools for broader research access, supporting the synthesis and writing of reviews for clearer reporting, and integrating ML in meta-analysis for better statistical analysis, data interpretation, and graphical data representation. In conclusion, the exploration of machine learning (ML) techniques within the realm of medical research has revealed a significant potential to enhance the systematic review and meta-analysis process. The application of ML has shown promise in every step, from conducting thorough literature searches to the selection of studies, data extraction, and quality assessment. The ability of ML to export data in a user-friendly format and assist in the meticulous task of writing reviews has further underscored its value. As the technology continues to evolve, it is expected that ML will become an integral component of the systematic review and meta-analysis toolkit, contributing to the advancement of evidence-based medicine and ultimately improving patient care and health outcomes.
Notes
The record was originally published in English. The Portuguese version was translated with the support of artificial intelligence.
