IA já está em uso. Agora vem o método.

Não começaremos por “o que é IA”

21/22
já declararam uso de IA generativa.

Usos diversos
prompts, aplicações, decisão, análise e materiais.

Nova pergunta
como usar com crítica, segurança, ética e método?

O alerta parece convincente

Proposta pedagógica: Caso Marina

Marina está internada em uma unidade clínica. Um modelo sinaliza risco de deterioração. Parte dos registros de enfermagem ainda não foi incorporada, a equipe não conhece a origem do alerta e ninguém sabe dizer quando o modelo foi revisado pela última vez.

O que precisa ser verdadeiro antes de alguém agir?

Enquete: onde está a primeira pergunta?

Proposta pedagógica: escolha um ponto de partida.

Qual algoritmo foi usado?
Qual decisão será apoiada?
Qual métrica ficou melhor?
Quantos dados existem?
Quem responde ao alerta?

O que devemos conseguir fazer hoje?

Proposta pedagógica: objetivos de aprendizagem

distinguir usos de IA por finalidade e consequência do erro;
testar uma saída com critérios de exatidão, rastreabilidade, privacidade, viés e utilidade;
decidir aceitar, revisar ou rejeitar uma saída;
elaborar protocolo com dados permitidos, verificação, registro, divulgação e proibição.

Percurso em 240 minutos

Movimento	Tempo	Estratégia
Problema comum	20 min	inventário de usos e consequências
Núcleo comum	100 min	privacidade, método, verificação e protocolo
Intervalo	10 min	pausa
Clínica de IA	70 min	teste controlado e protocolo
Revisão adversarial	30 min	aceitar, revisar ou rejeitar
Fechamento	10 min	limite e decisão pendente

A tese do encontro

Uma saída plausível não é uma saída verificada.

O rigor depende da finalidade, dos dados e da consequência do erro.

Tempo: 3 min. Apresente como tese a testar. A fonte local situa explicações e resultados nos níveis do usuário, da interação humano–IA e do sistema sociotécnico; também exige incorporação ao fluxo com avaliação de impacto. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 260, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0260__c001] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 160, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0160__c002]

Uso × consequência × verificação

Uso	Se houver erro…	Verificação mínima proposta
ideação	uma possibilidade é perdida	comparar alternativas
síntese ou redação	uma afirmação pode ser distorcida	conferir texto-fonte e citações
análise	um padrão pode ser fabricado	reproduzir com método independente
material educacional	conteúdo incorreto pode ser disseminado	revisão especializada
apoio à decisão	pessoas podem ser afetadas	evidência, supervisão e possibilidade de contestar

Protocolo de uso em sete campos

Proposta pedagógica

finalidade e público;
ferramenta autorizada;
dados permitidos e proibidos;
entrada e saída preservadas;
verificação humana e fontes;
autoria, registro e divulgação;
condição para rejeitar ou interromper.

Teste adversarial: procure antes de confiar

Procure no conteúdo

omissão · contradição · falsa precisão · fonte inexistente · generalização indevida

Procure no processo

dado proibido · ausência de registro · revisor sem competência · uso fora da finalidade

Aceitar · revisar · rejeitar — e justificar.

Aprofundamento opcional · modelos preditivos

Tarefas de ML, partições, métricas, calibração, deriva e governança permanecem disponíveis para projetos que desenvolvem ou avaliam modelos.

Antes do algoritmo: qual decisão?

Pergunta clínica → dados pertinentes → modelo → validação → fluxo → impacto.

Se a previsão estiver correta, o que alguém poderá fazer de modo diferente?

Tempo: 5 min. A fonte local coloca a pergunta clínica no centro porque ela orienta dados e modelo; o fluxo típico começa pela pergunta e termina na incorporação human-centered e na avaliação sistêmica. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 160, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0160__c001] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 160, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0160__c002]

Da decisão à tarefa analítica

Fluxo autoral entre decisão, pergunta, dados, tarefa e avaliação.

Diagrama autoral, CC BY 4.0.

Supervisionado e não supervisionado

Aprendizado	O conjunto contém	Pergunta típica	Tarefas citadas na fonte
supervisionado	entradas e saídas	prever uma saída	classificação, regressão
não supervisionado	dados sem soluções	explorar estrutura	agrupamento, redução dimensional

Tarefa, representação e profundidade

Classificar atribui classes; regredir estima valores; agrupar explora sem solução fornecida. Em aprendizado profundo, representações podem ser aprendidas por múltiplas camadas.

Complexidade do modelo resolve falta de sentido clínico?

Microdecisão: reescreva o problema

Proposta pedagógica: em duplas, transforme “usar IA para reduzir quedas” em:

decisão concreta;
população e momento;
entrada disponível antes da decisão;
ação possível;
erro menos tolerável — com justificativa.

Learning Health System: aprender do cuidado

Um sistema de saúde que aprende conecta informações do tratamento, análise, pesquisa, recomendações e apoio à decisão em um ciclo contínuo.

O ciclo é mais amplo que um modelo.

Aprender exige fechar o ciclo

Ciclo autoral entre cuidado, dados, análise, conhecimento, implementação e avaliação.

Diagrama autoral, CC BY 4.0.

Quem aprende — e quem é aprendido?

O LHS local inclui pacientes, profissionais, pagadores, pesquisadores, analistas, desenvolvedores, organizações, formuladores de padrões e governos.

Quem participa da pergunta, da interpretação e da decisão de parar?

Feedback não é aprendizagem automática

Observar
o resultado e o contexto.

Interpretar
o que mudou e por quê.

Revisar
prática, dado ou modelo.

Big Data: tamanho não é validade

Volume pode exigir armazenamento e processamento distribuídos. Ainda assim, quantidade não responde se os dados representam a população, o tempo e a decisão de interesse.

Os 5 Vs — como perguntas, não troféus

Dimensão	Pergunta crítica
volume	conseguimos governar e processar?
velocidade	a chegada combina com a decisão?
variedade	significados e formatos são conciliáveis?
veracidade	origem e integridade são conhecidas?
valor	o uso melhora uma decisão relevante?

O iceberg da qualidade

Iceberg autoral: escala visível e, abaixo, proveniência, ausência, medição, representação e mudanças.

Diagrama autoral, CC BY 4.0.

Ausência também descreve o processo

Um valor pode faltar ao acaso, por regra do serviço ou porque um exame só é solicitado para determinado grupo. Tratar todas as ausências da mesma forma pode ocultar essa história.

No caso Marina, o registro ausente é falha técnica, tempo de trabalho ou seletividade clínica?

O rótulo é uma construção

Proposta pedagógica: interrogatório do desfecho

Quem definiu o evento?
Em que janela temporal?
Com qual registro ou proxy?
Quem ficou sem rótulo?
O rótulo existia antes da decisão?

Vazamento: quando a resposta entra pela entrada

Se uma variável só existe depois — ou por causa — do evento que queremos prever, o modelo pode parecer competente sem antecipar a decisão real.

Essa informação existia no momento do uso?

Representação: quem paga pelo desempenho médio?

Dados pouco diversos podem produzir desempenho pior em grupos sub-representados. O problema pode surgir na coleta, limpeza, escolha, avaliação e implementação.

Cartão do conjunto de dados

Canvas autoral com finalidade, população, origem, rótulo, ausências, governança e limites.

Diagrama autoral, CC BY 4.0. Proposta pedagógica, não instrumento validado.

Treino, validação e teste

Diagrama autoral, CC BY 4.0.

Generalizar é responder em dados não vistos

Avaliar em dados independentes ajuda a estimar erro de generalização. Ainda é preciso perguntar se o novo contexto é suficientemente semelhante ao contexto de desenvolvimento.

Tempo: 5 min. A fonte exige desenho experimental apropriado e desempenho em dados independentes; outra associa distância do conjunto de treino a menor confiabilidade. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 346, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0346__c002] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 349, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0349__c002]

A métrica deve seguir a consequência

Escolher uma métrica é escolher quais erros ganham visibilidade. A prioridade depende do uso: evitar perder casos ou reduzir alertas indevidos pode levar a escolhas diferentes.

Falsos negativos e falsos positivos têm trabalho

Erro	Pergunta clínica	Pergunta operacional
falso negativo	qual oportunidade se perde?	quem não será chamado?
falso positivo	qual ação desnecessária pode ocorrer?	qual fila e qual carga são criadas?

Sensibilidade observa a parcela de positivos corretamente identificada.

Tempo: 6 min. As perguntas são síntese pedagógica. A definição de sensibilidade/recall está na fonte; o exemplo local liga falsos negativos à oportunidade perdida e falsos positivos ao tratamento excessivo. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 163, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0163__c001] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 162, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0162__c002]

Discriminar não é calibrar

Discriminação: separar quem terá e quem não terá o desfecho.

Calibração: alinhar probabilidades previstas às probabilidades observadas.

Para orientar decisão individual, qual delas pode ser dispensada?

Média global pode esconder dano desigual

Proposta pedagógica: sempre abrir o painel por

grupos clinicamente e socialmente relevantes;
local e período;
qualidade e ausência dos dados;
consequências e possibilidade de recurso.

Um painel, várias dimensões

Painel autoral com discriminação, calibração, erros, subgrupos, fluxo e impacto.

Diagrama autoral, CC BY 4.0.

Tempo: 5 min. Painel pedagógico. A fonte distingue avaliação de acurácia de integração, usabilidade e resultados; outras fontes apoiam calibração e subgrupos. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 163, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0163__c001] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 346, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0346__c002]

Automação pode estreitar a vigilância

Quando usuários passam a depender do sistema, carga de trabalho e confiança excessiva podem reduzir monitoramento crítico — embora o sistema não seja perfeito.

Tempo: 5 min. A fonte descreve automation complacency e sobreconfiança, incluindo pressões do sistema e carga de trabalho. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 318, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0318__c001] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 268, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0268__c001]

Supervisão humana precisa de condições

Fluxo autoral entre modelo, equipe com competência e autoridade, ação e retorno.

Diagrama autoral, CC BY 4.0.

Tempo: 6 min. O desenho é síntese pedagógica. Pergunte se a equipe dispõe de tempo, informação, autoridade e rota de contestação. A fonte sustenta calibração da confiança e interação no sistema sociotécnico. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 268, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0268__c001] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 260, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0260__c001]

Explicar para quem — e para quê?

Explicações úteis ao engenheiro podem não ser úteis ao profissional ou paciente. O propósito depende da tarefa, do destinatário e do ambiente; uma explicação imperfeita pode gerar falsa segurança.

O workflow é parte da intervenção

Ter desempenho forte é necessário, mas insuficiente para impacto clínico. É preciso decidir onde apresentar a previsão e avaliar integração, usabilidade e resultados.

Quem recebe o alerta de Marina — e o que acontece depois?

Tempo: 6 min. A fonte afirma que desempenho não basta e pede posicionamento da previsão no fluxo; outra amplia a avaliação para integração, usabilidade e resultado clínico. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 162, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0162__c002] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 163, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0163__c001]

O ciclo de vida continua após implantar

Ciclo autoral entre pergunta, dados, modelo, validação, implantação, monitoramento e decisão de manter, revisar ou retirar.

Diagrama autoral, CC BY 4.0.

Deriva: o contexto muda

Mudanças de população, dados ou prática podem deteriorar discriminação e calibração. Monitorar desempenho ao longo do tempo é parte do uso responsável.

Tempo: 5 min. A fonte descreve shifts não antecipados, deterioração e necessidade de monitoramento; também detalha monitoramento de discriminação e calibração. [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 317, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0317__c002] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 350, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0350__c001]

Governança: decidir também quem responde

Participação
profissionais, pacientes e outros interessados.

Responsabilidade
aprovar, monitorar, contestar, corrigir.

Proteção
acesso, segurança, privacidade e recurso.

Tempo: 6 min. Síntese pedagógica. A fonte de governança exige perspectivas relevantes e colaboração multissetorial; a fonte de viés recomenda clínicos e pacientes na equipe. Informação não identificada nas fontes fornecidas: interpretação jurídica específica aplicável ao caso Marina. [Fonte: 4-Health Informatics_ An Interprofessional Approach - Lynda R. Hardy, PhD, RN, FAAN.pdf, p. 1488, trecho: 4-health-informatics-an-interprofessional-approach-lynda-r-hardy-phd-rn-faan__p1488__c001] [Fonte: 3-Intelligent Systems in Medicine and Health_ The Role of AI – Trevor A_ Cohen, Vimla L_ Patel, Edward H_ Shortliffe – Cognitive Informatics in – isbn13 9783031091070 – 266b56bfd40446ad0386d7aec20fec8b – An (1).pdf, p. 318, trecho: 3-intelligent-systems-in-medicine-and-health-the-role-of-ai-trevor-8b47f8a158b0__p0318__c001]

Diretriz de relato não é selo de qualidade

Proposta pedagógica: use a diretriz adequada para perguntar o que o estudo tornou visível — e o que ainda permanece incerto.

Relato completo ≠ desenho adequado ≠ impacto demonstrado.

Qual diretriz para qual relato?

Mapa autoral de seleção entre MI-CLAIM, TRIPOD+AI, SPIRIT-AI, CONSORT-AI e DECIDE-AI.

Diagrama autoral, CC BY 4.0; escopos verificados nas publicações oficiais.

Protocolos e ensaios com IA

SPIRIT-AI acompanha protocolos de ensaios; CONSORT-AI, relatos de ensaios concluídos. Ambas estendem diretrizes centrais para intervenções com IA.

Proposta pedagógica: procure população, intervenção, interação humano–IA, tratamento de erros e análise planejada.

Modelagem, predição e uso clínico inicial

MI-CLAIM: transparência mínima da modelagem. TRIPOD+AI: relato de modelos de predição clínica. DECIDE-AI: avaliação clínica inicial de sistemas de apoio em ambiente real.

Leitura crítica em sete perguntas

Proposta pedagógica:

Qual decisão e população?
Como dados e rótulos foram produzidos?
A separação evita vazamento?
Quais erros, calibração e subgrupos?
Como entra no workflow?
Quem responde, contesta e monitora?
O que faria revisar ou retirar?

Clínica de IA aplicada ao projeto

70 min de produção

Proposta pedagógica: missão

Testar uma saída sem dados sensíveis, decidir aceitar · revisar · rejeitar e escrever um protocolo de uso defensável.

Escolha um uso real — ou um caso seguro

Proposta pedagógica: usos

ideação de pergunta ou produto;
síntese de texto fornecido;
rascunho de material educacional;
explicação de trecho de código ou fórmula;
organização de categorias para análise;
apoio à decisão como cenário fictício de maior consequência.

Papéis e movimentos do grupo

Papel	Pergunta	Movimento
autor do uso	para que serve?	declarar finalidade
verificador	o que pode estar errado?	conferir saída e fontes
privacidade	que dado não pode entrar?	auditar entrada e registro
método	o processo pode ser reproduzido?	revisar protocolo
equidade/usuário	quem pode ser prejudicado?	testar linguagem e consequência

Registro obrigatório do teste

Proposta pedagógica

finalidade e consequência do erro;
ferramenta e configuração disponível;
entrada sem dados proibidos;
saída preservada;
fontes ou método de conferência;
omissão, erro, viés ou utilidade observada;
decisão e justificativa.

Decisão sobre a saída

Proposta pedagógica: frase de saída

“Para a finalidade , decidimos [aceitar / revisar / rejeitar] a saída porque . Antes de reutilizar, precisamos verificar ; este uso será proibido quando .”

Critérios de qualidade do produto

Entregar: finalidade · entrada · saída · verificação · fontes · erro/omissão · decisão · protocolo · situação proibida.

Avaliar: proteção · exatidão · rastreabilidade · método · transparência · proporcionalidade · revisabilidade.

Demonstração: até 5 minutos por grupo

finalidade → entrada → saída → verificação → decisão → regra de uso

Um registro. Uma decisão. Uma verificação ainda necessária.

Revisão adversarial sem antagonismo

Proposta pedagógica: o grupo debatedor pergunta

Que afirmação ainda não foi conferida?
Que dado não deveria ter sido usado?
Que fonte ou etapa não pode ser reproduzida?
Que omissão mudaria a decisão?
Quem precisa revisar antes do uso?
Em que situação este uso deve ser proibido?

Volta ao alerta de Marina

Proposta pedagógica: antes de usar o alerta, a equipe exige origem e tempo dos dados, finalidade, validação independente, análise por grupos, posição no fluxo, canal de contestação, responsável pelo monitoramento e critério de suspensão.

O que ainda não podemos afirmar?

Da saída ao uso responsável

Síntese autoral entre dados situados, modelo avaliado, fluxo governado e aprendizagem revisável.

Diagrama autoral, CC BY 4.0.

Três mensagens para levar

Finalidade
declare para que a IA será usada.

Verificação
plausível não significa conferido.

Registro
torne entrada, saída e decisão auditáveis.

Minuto de saída e leituras

Proposta pedagógica: complete.

“Para usar IA no meu projeto, permitirei ; verificarei ; proibirei ___.”

Leituras verificadas: (World Health Organization 2021; U.S. Food and Drug Administration 2025; Liu et al. 2020; Cruz Rivera et al. 2020; Vasey et al. 2022; Collins et al. 2024; Norgeot et al. 2020).

Referências

Collins, Gary S., Karel G. M. Moons, Paula Dhiman, et al. 2024. “TRIPOD+AI Statement: Updated Guidance for Reporting Clinical Prediction Models That Use Regression or Machine Learning Methods”. BMJ 385: e078378. https://doi.org/10.1136/bmj-2023-078378.

Cruz Rivera, Samantha, Xiaoxuan Liu, An-Wen Chan, et al. 2020. “Guidelines for Clinical Trial Protocols for Interventions Involving Artificial Intelligence: The SPIRIT-AI Extension”. Nature Medicine 26: 1351–63. https://doi.org/10.1038/s41591-020-1037-7.

Liu, Xiaoxuan, Samantha Cruz Rivera, David Moher, et al. 2020. “Reporting Guidelines for Clinical Trial Reports for Interventions Involving Artificial Intelligence: The CONSORT-AI Extension”. Nature Medicine 26: 1364–74. https://doi.org/10.1038/s41591-020-1034-x.

Norgeot, Beau, Giorgio Quer, Brett K. Beaulieu-Jones, et al. 2020. “Minimum Information about Clinical Artificial Intelligence Modeling: The MI-CLAIM Checklist”. Nature Medicine 26: 1320–24. https://doi.org/10.1038/s41591-020-1041-y.

U.S. Food and Drug Administration. 2025. “Good Machine Learning Practice for Medical Device Development: Guiding Principles”. https://www.fda.gov/medical-devices/software-medical-device-samd/good-machine-learning-practice-medical-device-development-guiding-principles.

Vasey, Baptiste, Myura Nagendran, Bruce Campbell, et al. 2022. “Reporting Guideline for the Early-Stage Clinical Evaluation of Decision Support Systems Driven by Artificial Intelligence: DECIDE-AI”. Nature Medicine 28: 924–33. https://doi.org/10.1038/s41591-022-01772-9.

World Health Organization. 2021. Ethics and Governance of Artificial Intelligence for Health: WHO Guidance. World Health Organization. https://www.who.int/publications/i/item/9789240029200.