artigo

name

artigo

description

Reune evidencias cientificas e escreve artigos academicos em IA medica e saude com rigor metodologico. Aplica reporting guidelines (TRIPOD+AI, STROBE, PRISMA, CONSORT, STARD, ARRIVE, CARE, GRADE), estrutura IMRaD, citacoes Vancouver/AMA, e remove padroes de escrita gerados por IA. Pipeline em 7 fases: scoping, evidence gathering, methods design, drafting, anti-IA polish, peer-review interno, submission package. Triggers on /artigo, "escreve um paper sobre", "monta o manuscrito", "estrutura artigo cientifico", "redige um artigo", "reune evidencias para artigo", "prepara submissao".

Skill: artigo

Pipeline completo de escrita de artigo cientifico em IA medica e saude. Combina busca de evidencias, design metodologico, redacao IMRaD, anti padrao IA e checklist de submissao.

Quando usar

• /artigo para iniciar do zero ou continuar manuscrito
• Pedidos como "escreve um paper sobre X", "monta o manuscrito", "redige IMRaD", "reune evidencias para o tema Y"
• Quando ha resultados de pipeline ML prontos e precisa transformar em manuscrito
• Antes de submeter: rodar fase 5 (anti-IA) e fase 6 (peer-review interno)

Detectar tipo de estudo

Antes de qualquer coisa, identificar o tipo. Cada tipo usa uma reporting guideline diferente:

Tipo de estudo	Guideline	Quando usar
Modelo preditivo de IA/ML	TRIPOD+AI 2024	Predicao clinica, classificacao, regressao em saude
Estudo observacional	STROBE	Coortes, caso-controle, transversal
Revisao sistematica/meta-analise	PRISMA 2020	Sintese de evidencias
Ensaio clinico randomizado	CONSORT 2025	RCTs
Acuracia diagnostica	STARD	Sensibilidade, especificidade, AUC de teste diagnostico
Protocolo de trial	SPIRIT	Submissao de protocolo
Estudo pre-clinico animal	ARRIVE	Modelos animais
Case report	CARE	Relato de caso
Avaliacao da qualidade da evidencia	GRADE	Forca de recomendacao

Se em duvida, perguntar ao usuario. Documentar a guideline escolhida no manuscrito.

Pipeline de 7 fases

Fase 1: Scoping

Coletar com o usuario:

• Pergunta de pesquisa em formato PICO/PECO/PIRD
• Tipo de estudo (ver tabela acima)
• Journal alvo (define formato, word limit, citation style)
• Dados disponiveis (pipeline ML pronto? resultados de qual experimento? dataset? csv? metricas em json?)
• Co-autores e ordem
• Deadline

Saida: paper/scoping.md com tudo isso registrado.

Fase 2: Evidence gathering

Buscar literatura relevante. Usar em paralelo:

# PubMed via E-utilities
# arXiv via API
# Google Scholar via scraping (cuidado com rate limit)
# Semantic Scholar API (recomendado: tem citation graph)

Para cada paper relevante:

1. Salvar PDF em paper/refs/
2. Extrair: titulo, autores, ano, DOI, journal, abstract, metodo, resultados principais, contribuicao, limitacoes
3. Classificar epistemicamente: forte/moderada/fraca evidencia (criterios GRADE quando aplicavel)
4. Categorizar em buckets: gap, metodologia, comparacao, validacao externa

Saida: paper/refs/literature_review.md com matriz de evidencias e references.bib com BibTeX.

Filtros recomendados:

• Recencia: priorizar ultimos 5 anos para metodos, ultimos 10 para fundamentos
• Journal impact: nao excluir, mas anotar
• Validacao em populacao similar (LATAM, SUS, populacao brasileira) eh diferencial

Fase 3: Methods design

Estruturar com base no tipo de estudo. Para TRIPOD+AI 2024 (preditivo):

Methods/
  Study Design and Population
    - Source of data (DataSUS? hospital? prontuario eletronico?)
    - Inclusion/exclusion criteria
    - Sample size justification
    - Data linkage if applicable

  Outcome
    - Definicao clara, com codigos CID se aplicavel
    - Time horizon

  Predictors
    - Tabela completa: nome, tipo (numerica/categorica), unidade, missing rate
    - Sentinel values tratados (9, 99, 999)
    - Encoding usado

  Sample Size
    - Calculo baseado em events per variable (EPV >= 10 minimo, idealmente >= 20)
    - Para deep learning: regra de Riley para amostra minima

  Missing Data
    - Padrao MCAR/MAR/MNAR
    - Estrategia: imputacao (qual?), exclusao, multiple imputation

  Statistical Analysis / ML Pipeline
    - Algoritmos testados
    - Hiperparametros e search
    - Cross-validation strategy
    - Train/test split (com data temporal se houver)
    - Metricas: AUROC, AUPRC, calibration (Brier, ICI), DCA

  Validation
    - Internal: bootstrap optimism-corrected
    - External: testar em coorte separada
    - Subgroup analysis

  Fairness/Bias (TRIPOD+AI especifico)
    - Avaliacao por subgrupos demograficos
    - Performance gaps documentados

  Code and Data Availability
    - Repo GitHub
    - Versao do codigo (commit hash)
    - Dados disponiveis sob requisicao? Restricoes LGPD/HIPAA?

Saida: paper/manuscript.md com secao Methods completa.

Fase 4: Drafting IMRaD

Escrever na ordem que faz sentido:

1. Methods primeiro (mais facil, ja foi planejada)
2. Results (objetivo, segue methods)
3. Discussion
4. Introduction (por ultimo, escreve com clareza do que foi achado)
5. Abstract (ultimo, sintetiza tudo)
6. Title (iterar varias vezes)

Para Results:

• Tabela 1: caracteristicas baseline da populacao
• Tabela 2: performance do modelo (com IC 95%)
• Figuras: ROC, calibration, feature importance, SHAP
• Numeros consistentes entre texto, tabelas, figuras
• Sempre IC 95% junto com point estimate
• Sempre numero de eventos junto com taxa

Para Discussion (4 paragrafos):

1. Principal achado em 1 frase + contextualizacao
2. Comparacao com literatura (citar refs da Fase 2)
3. Implicacoes clinicas e limitacoes
4. Trabalhos futuros e conclusao

Para Introduction (3 paragrafos):

1. Importancia clinica do problema (com numeros: prevalencia, mortalidade, custo)
2. Estado da arte e gap (citar refs)
3. Objetivo do estudo + hipotese

Para Abstract (estruturado):

• Background (2 frases)
• Methods (3 frases)
• Results (3 frases com numeros)
• Conclusion (1 frase)

Fase 5: Anti-IA polish

Padroes de IA para REMOVER (em ingles):

1. "delve into", "delve deeper" -> "examine", "explore"
2. "It is important to note" -> deletar ou reescrever
3. "navigate the complexities" -> "address the challenges"
4. "in the realm of" -> "in"
5. "shed light on" -> "reveal", "show"
6. "leveraging" -> "using"
7. "underscore" -> "show", "demonstrate"
8. "robust" usado em todo paragrafo -> variar
9. "comprehensive" repetido -> remover ou variar
10. "moreover", "furthermore", "additionally" em excesso -> conectores naturais
11. Listas com 3 items terminando em "and" sempre -> variar estrutura
12. Frases comecando com "In conclusion" -> reescrever
13. "It is worth noting" -> deletar
14. Hifens em excesso para juntar conceitos -> reescrever
15. "Cutting-edge" -> "current", "recent"
16. "Game-changing" -> "significant", "important"
17. "Pivotal" em excesso -> variar
18. "Plays a crucial role" -> "is important for", "contributes to"

Em portugues:

1. "Vale ressaltar" -> deletar
2. "Cabe destacar" -> deletar
3. "E importante notar" -> deletar
4. "No ambito de" -> "em"
5. "No contexto de" usado em excesso -> reescrever
6. Travessoes (em dash —, en dash –) -> sempre virgula ou ponto
7. Aspas tipograficas " " -> retas " "
8. Reticencias Unicode -> tres pontos normais

Tambem:

• Frases longas demais (> 35 palavras): quebrar
• Voz passiva em excesso: alternar com ativa
• "Methodology" usado quando "methods" basta
• Variar inicio de paragrafos (nao todos com "The")

Fase 6: Peer-review interno

Checklist por categoria:

Rigor metodologico:

• Reporting guideline aplicada (qual? linkar checklist preenchido)
• Sample size justificado
• Missing data tratado e reportado
• Multiple comparisons corrigidas se aplicavel
• IC 95% em todas metricas principais
• Validacao externa OU declaracao explicita de limitacao

Transparencia:

• Codigo disponivel (link)
• Dados disponiveis ou justificativa de restricao
• Pre-registro mencionado se houver
• Conflito de interesse declarado
• Aprovacao etica (CEP/CONEP) mencionada

Clareza:

• Abstract reflete fielmente o paper
• Numeros consistentes entre abstract, texto, tabelas
• Figuras tem caption auto-suficiente
• Acronimos definidos no primeiro uso
• Discussion nao supera o que os dados mostram

Anti-leakage (especifico ML/IA):

• Train/test split claro, sem leakage temporal
• Feature engineering nao usa info do test
• Hyperparameter tuning so no train (com inner CV)
• Calibration calculada no test, nao train
• Citar Kapoor & Narayanan se relevante (data leakage in ML)

Etica e fairness:

• Performance por subgrupos (idade, sexo, regiao, raca/cor)
• Discussao de potencial vies
• Limitacoes de generalizabilidade

Fase 7: Submission package

Preparar pacote final:

paper/submission/
  manuscript.docx        # ou .tex
  abstract.txt          # texto puro para sistema do journal
  cover_letter.docx     # personalizado pro editor
  highlights.txt        # 3 a 5 bullets, max 85 chars cada
  graphical_abstract.png
  figures/
    fig1.tiff (300 DPI)
    fig2.tiff
    ...
  tables/
    table1.docx
    ...
  supplementary/
    s1_appendix.docx
    s1_code.zip
    s1_data.csv (se permitido)
  checklists/
    tripod_ai_checklist.pdf  # ou STROBE, PRISMA, etc
  authorship_form.docx
  conflict_of_interest.docx

Cover letter template:

Dear Editor,

We submit our manuscript "[TITULO]" for consideration as [TIPO DE ARTIGO]
in [JOURNAL].

[1 paragrafo sobre o problema e gap]
[1 paragrafo sobre o que fizemos e principal achado]
[1 paragrafo sobre por que importa pra audiencia do journal]

The manuscript has not been published or submitted elsewhere. All authors
contributed substantially and approved the final version. We declare no
conflict of interest.

[Nome corresponding author]
[Afiliacao]
[Email]

Estrutura de arquivos esperada

paper/
  scoping.md
  manuscript.md           # ou manuscript.tex
  references.bib
  refs/
    literature_review.md
    *.pdf (papers baixados)
  data/
    cohort.csv (se publicavel)
  figures/
  tables/
  results/
    metrics.json
    *.png
  submission/
    (preparado na Fase 7)

Notas importantes

• NUNCA inventar referencias. Cada citacao deve ter DOI ou PMID verificado.
• NUNCA inventar numeros. Resultados saem do metrics.json ou tabela do projeto.
• Se o usuario nao tiver dados, perguntar antes de comecar a escrever Methods.
• Se o journal alvo for diferente, ajustar word limit e formatting (verificar guidelines do journal).
• Para artigos da LABDAPS ou IA medica brasileira: priorizar dados do SUS (DataSUS), citar contexto brasileiro de saude publica.
• Citar Kapoor & Narayanan (2023) "Leakage and the reproducibility crisis in machine-learning-based science" quando discutir vies de leakage em IA medica.

Referencias internas

• references/reporting_guidelines.md: detalhes de cada guideline
• references/imrad_structure.md: detalhes de cada secao
• references/anti_ai_patterns.md: lista expandida de padroes a remover
• references/ml_pipeline_in_paper.md: como reportar pipeline ML em paper

Comandos auxiliares

Apos rodar a skill, pode-se:

• /update-paper para atualizar resultados quando metricas mudam
• /paper-review para fazer leitura critica
• /iamed para indexar o paper final no Notion