| 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:
Para cada paper relevante:
- Salvar PDF em
paper/refs/
- Extrair: titulo, autores, ano, DOI, journal, abstract, metodo, resultados principais, contribuicao, limitacoes
- Classificar epistemicamente: forte/moderada/fraca evidencia (criterios GRADE quando aplicavel)
- 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:
- Methods primeiro (mais facil, ja foi planejada)
- Results (objetivo, segue methods)
- Discussion
- Introduction (por ultimo, escreve com clareza do que foi achado)
- Abstract (ultimo, sintetiza tudo)
- 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):
- Principal achado em 1 frase + contextualizacao
- Comparacao com literatura (citar refs da Fase 2)
- Implicacoes clinicas e limitacoes
- Trabalhos futuros e conclusao
Para Introduction (3 paragrafos):
- Importancia clinica do problema (com numeros: prevalencia, mortalidade, custo)
- Estado da arte e gap (citar refs)
- 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):
- "delve into", "delve deeper" -> "examine", "explore"
- "It is important to note" -> deletar ou reescrever
- "navigate the complexities" -> "address the challenges"
- "in the realm of" -> "in"
- "shed light on" -> "reveal", "show"
- "leveraging" -> "using"
- "underscore" -> "show", "demonstrate"
- "robust" usado em todo paragrafo -> variar
- "comprehensive" repetido -> remover ou variar
- "moreover", "furthermore", "additionally" em excesso -> conectores naturais
- Listas com 3 items terminando em "and" sempre -> variar estrutura
- Frases comecando com "In conclusion" -> reescrever
- "It is worth noting" -> deletar
- Hifens em excesso para juntar conceitos -> reescrever
- "Cutting-edge" -> "current", "recent"
- "Game-changing" -> "significant", "important"
- "Pivotal" em excesso -> variar
- "Plays a crucial role" -> "is important for", "contributes to"
Em portugues:
- "Vale ressaltar" -> deletar
- "Cabe destacar" -> deletar
- "E importante notar" -> deletar
- "No ambito de" -> "em"
- "No contexto de" usado em excesso -> reescrever
- Travessoes (em dash —, en dash –) -> sempre virgula ou ponto
- Aspas tipograficas " " -> retas " "
- 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:
Transparencia:
Clareza:
Anti-leakage (especifico ML/IA):
Etica e fairness:
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 guidelinereferences/imrad_structure.md: detalhes de cada secaoreferences/anti_ai_patterns.md: lista expandida de padroes a removerreferences/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
