Contexto
Fabricantes de dispositivos médicos precisam de evidências clínicas robustas para apoiar atividades regulatórias, avaliações clínicas e estratégias de produto. Para muitas equipes, construir essa base de evidências ainda é um processo especializado e demorado.
Um revisor começa com a descrição do dispositivo e seu uso pretendido, transforma essas informações em uma estratégia de busca no PubMed, cria consultas baseadas em MeSH, analisa centenas de resumos, obtém PDFs, classifica estudos, verifica a relevância, avalia a qualidade e prepara a documentação regulatória.
Esse trabalho é importante porque apoia decisões que exigem julgamento especializado. Porém, grande parte do processo é repetitiva, envolve muitos documentos e é difícil de reproduzir de forma consistente entre dispositivos, indicações ou buscas atualizadas.
Problema
Em um fluxo de trabalho de evidências para dispositivos médicos, o processo manual levava cerca de 30 dias. Os especialistas precisavam alternar entre ferramentas de busca, listas de artigos, repositórios de PDFs, planilhas, notas de avaliação e modelos de documentos regulatórios.
A equipe precisava de uma maneira mais rápida de construir uma base de evidências defensável sem transformar o processo em uma caixa-preta.
Era necessário saber:
- qual estratégia de busca no PubMed foi utilizada
- quais artigos foram analisados e por quê
- quais publicações continham evidências clínicas
- quais PDFs foram obtidos e verificados
- quais artigos em texto completo apoiavam o uso pretendido
- quais estudos deveriam fazer parte dos resultados de PRISMA, PICO e Estado da Arte
- quais decisões exigiam revisão especializada antes da documentação final
A velocidade era importante, mas a rastreabilidade era igualmente essencial.
O que a Guanta desenvolveu
A Guanta desenvolveu um fluxo de trabalho de evidências clínicas com assistência de IA para dispositivos médicos.
O sistema começa com a descrição do dispositivo e seu uso pretendido e, em seguida, ajuda a gerar uma estratégia especializada de busca no PubMed. Ele baixa e organiza artigos, analisa publicações quanto à relevância regulatória, classifica evidências clínicas e não clínicas, gerencia PDFs, extrai conteúdo em texto completo, avalia a qualidade das evidências e prepara resultados estruturados para revisão.
O objetivo não é remover o especialista regulatório do processo. É oferecer a esse especialista um ponto de partida mais rápido, consistente e auditável.
Como o fluxo de trabalho funciona
O pipeline transforma o trabalho com evidências clínicas em uma sequência de etapas controladas.
Ele pesquisa no PubMed, captura metadados dos artigos, baixa PDFs disponíveis, verifica o acesso ao texto completo e analisa cada publicação em relação ao dispositivo, à indicação e ao uso pretendido. A IA ajuda a classificar evidências, explicar decisões no nível do artigo, identificar justificativas de inclusão ou exclusão e atribuir indicadores de evidência que os revisores podem inspecionar.
O sistema também produz estruturas prontas para uso regulatório: tabelas de seleção de literatura, disposição PRISMA, extração PICO, classificação do Estado da Arte, resumos de avaliação e documentos para download.
Cada execução mantém registros, justificativas no nível do artigo, indicadores de qualidade e métricas do pipeline, permitindo que a equipe audite o que aconteceu e refine a revisão antes que qualquer conteúdo seja utilizado como evidência regulatória final.
Resultado
O fluxo de trabalho de evidências passou de aproximadamente 30 dias de esforço manual para cerca de 4 horas na criação de um pacote inicial estruturado de evidências.
Essa redução de tempo oferece às equipes de dispositivos médicos uma maneira mais rápida de iniciar avaliações clínicas, atualizar revisões de evidências, comparar indicações de dispositivos e iterar em várias execuções do pipeline.
O valor para o negócio é prático:
- redução do ciclo de revisão de evidências de semanas para horas
- menos trabalho repetitivo na análise de resumos e no gerenciamento de PDFs
- estrutura mais consistente para revisões de literatura entre dispositivos
- justificativas auditáveis no nível do artigo e pontuações de evidência
- geração mais rápida de resultados de PRISMA, PICO, SOTA e tabelas de seleção
- mais tempo dos revisores dedicado ao julgamento especializado e às decisões finais
Por que isso importa
O trabalho com evidências de dispositivos médicos deve ser rápido o suficiente para apoiar as equipes de produto e regulatória, mas controlado o bastante para permitir a revisão de especialistas.
Essa implementação mostra como a IA pode ajudar no trabalho operacional pesado relacionado à avaliação clínica sem substituir a responsabilidade regulatória do fabricante. O fluxo de trabalho oferece às equipes um pipeline de evidências reproduzível, resultados estruturados e rastreabilidade desde a estratégia de busca até a revisão final.
Para os fabricantes, o resultado é um modelo operacional melhor: os especialistas mantêm o controle sobre as conclusões, enquanto a IA reduz o trabalho manual necessário para chegar a um ponto de partida de alta qualidade para as evidências.