Como Extrair Dados dos Artigos Científicos em uma Revisão

Como extrair dados dos artigos científicos depois que a seleção da revisão foi concluída? A resposta não é simplesmente copiar autor, objetivo e conclusão para uma planilha. A extração de dados é uma etapa metodológica em que informações relevantes dos estudos incluídos são identificadas, registradas e conferidas de maneira estruturada para permitir comparação, análise e síntese posteriores.

---

Atualizado em Setembro de 2026
Por Equipe Editorial do TCC&Monografia

---

Na prática, isso significa decidir antecipadamente quais informações serão coletadas, como cada campo será preenchido, como situações duvidosas serão tratadas e como cada dado poderá ser rastreado até sua fonte original.

Uma boa ficha de extração pode incluir características dos participantes, desenho do estudo, intervenção ou exposição, desfechos, resultados, momentos de avaliação e outras informações necessárias à pergunta da revisão. Porém, não existe uma planilha universal: os campos dependem do objetivo, do tipo de revisão e da síntese que será realizada.

Neste guia, você aprenderá desde a criação e o teste do formulário até situações mais complexas, como dados ausentes, números divergentes, múltiplos artigos pertencentes ao mesmo estudo, conferência dos resultados e uso responsável de inteligência artificial.

Índice

1. O que é extração de dados?
2. O que deve ser extraído dos artigos?
3. Como saber quais dados extrair?
4. Como criar o formulário ou planilha?
5. Por que fazer um teste piloto?
6. Como extrair os dados passo a passo?
7. Onde encontrar cada informação no artigo?
8. Como extrair dados de tabelas e figuras?
9. O que fazer com dados não informados?
10. O que fazer com números divergentes?
11. Como lidar com vários artigos do mesmo estudo?
12. Extração e avaliação da qualidade são a mesma coisa?
13. Uma ou duas pessoas devem extrair os dados?
14. Como conferir a extração?
15. Como documentar as decisões?
16. É possível usar inteligência artificial?
17. Erros comuns na extração
18. Checklist completo
19. Exemplo prático
20. A extração muda conforme o tipo de revisão?
21. Perguntas frequentes
22. Conclusão

O que é extração de dados?

Extração de dados é o processo sistemático de identificar, coletar e registrar informações relevantes dos estudos incluídos em uma revisão, utilizando campos previamente definidos e procedimentos suficientemente padronizados para permitir conferência, comparação, análise e síntese posteriores.

Depois da busca bibliográfica e da seleção e triagem dos estudos, o pesquisador já sabe quais investigações deverão compor a revisão. A pergunta deixa de ser “este estudo entra?” e passa a ser:

“Quais informações deste estudo preciso levar para a minha base de dados?”

Essa mudança marca uma fronteira importante entre duas etapas.

Seleção e triagem	Extração de dados
Decide quais estudos atendem aos critérios	Coleta informações dos estudos incluídos
Aplica critérios de elegibilidade	Aplica campos e regras de extração
Resultado: conjunto de estudos incluídos	Resultado: base estruturada de dados

Extração de dados não é resumo de artigo

Uma confusão comum é tratar a extração como uma sequência de pequenos resumos.

Um resumo pode dizer:

“Os autores investigaram atividade física e ansiedade em adolescentes e encontraram associação entre maior atividade física e menores sintomas de ansiedade.”

Para uma revisão, isso pode ser insuficiente. Dependendo da pergunta, será necessário registrar:

• qual população foi estudada;
• quantos participantes foram analisados;
• como a atividade física foi medida;
• como a ansiedade foi avaliada;
• qual comparação foi realizada;
• qual medida estatística foi apresentada;
• qual foi a estimativa;
• qual foi sua precisão;
• se o resultado era bruto ou ajustado;
• em qual momento a avaliação ocorreu.

Portanto, a extração transforma informações distribuídas pelo artigo em campos comparáveis e rastreáveis.

Quando a extração começa?

A extração definitiva normalmente ocorre depois que os estudos incluídos foram identificados. Entretanto, seu planejamento deve começar antes.

Em uma revisão estruturada, os principais grupos de informações e procedimentos já podem ser antecipados durante a elaboração do protocolo de revisão.

Essa antecipação reduz o risco de o pesquisador conhecer os resultados e somente depois decidir quais deles deseja registrar.

Uma sequência metodológica simplificada é:

pergunta → protocolo → critérios de elegibilidade → busca → seleção e triagem → estudos incluídos → extração de dados → síntese.

A estratégia de busca científica determina como as evidências serão procuradas; a seleção determina quais estudos permanecerão; a extração transforma esses estudos em uma base organizada para a etapa seguinte.

O estudo e o artigo nem sempre são a mesma unidade

Outro conceito importante é distinguir estudo de relatório.

Uma investigação pode gerar:

• artigo principal;
• protocolo;
• publicação de seguimento;
• análise secundária;
• publicação específica de determinado desfecho;
• material suplementar.

Por isso, informações sobre uma mesma investigação podem estar distribuídas entre várias publicações.

O Cochrane Handbook destaca essa distinção ao tratar o estudo como unidade de interesse, reconhecendo que um mesmo estudo pode estar associado a múltiplos relatórios.

Voltaremos a esse problema mais adiante, porque não reconhecer publicações relacionadas pode levar à dupla contagem de participantes e resultados.

A extração precisa ser rastreável

Para informações importantes, deve ser possível responder:

“De onde exatamente veio este dado?”

A resposta pode apontar para:

• página;
• tabela;
• figura;
• material suplementar;
• relatório específico;
• registro associado ao estudo.

Essa rastreabilidade facilita a conferência e evita que, semanas depois, um número permaneça na planilha sem que ninguém saiba de onde ele foi retirado.

O que deve ser extraído dos artigos científicos?

Não existe uma lista única de dados que precise ser coletada em todas as revisões.

O conteúdo da ficha depende de fatores como:

• pergunta de pesquisa;
• objetivos;
• tipo de revisão;
• desenhos dos estudos incluídos;
• intervenção, exposição, fenômeno ou conceito investigado;
• desfechos relevantes;
• tipo de síntese planejada.

Apesar disso, algumas categorias aparecem com frequência e ajudam a estruturar o planejamento.

1. Identificação e rastreabilidade

Campos de identificação permitem distinguir estudos e localizar novamente suas fontes.

Podem incluir:

• ID interno;
• autor;
• ano;
• título;
• periódico;
• DOI ou outro identificador;
• ID do relatório;
• nome do arquivo.

Uma revisão com múltiplos relatórios pode, por exemplo, utilizar:

EST-012 para o estudo e EST-012-R1, EST-012-R2 e EST-012-R3 para suas diferentes publicações.

2. Características metodológicas

Dependendo da revisão, pode ser necessário registrar:

• desenho do estudo;
• duração;
• forma de recrutamento;
• grupos avaliados;
• métodos de mensuração;
• características da intervenção ou exposição;
• momentos de acompanhamento.

O nível de detalhamento deve acompanhar a finalidade da revisão.

3. Participantes e contexto

Campos possíveis incluem:

• tamanho da amostra;
• idade;
• sexo ou gênero, quando pertinente;
• condição clínica;
• características relevantes da população;
• país;
• ambiente ou contexto do estudo.

Não é necessário coletar toda característica demográfica mencionada. Uma informação deve estar presente porque contribui para caracterizar a evidência ou responder à pergunta, não apenas porque aparece no artigo.

4. Intervenção, exposição, fenômeno ou conceito

O nome do campo precisa acompanhar o objeto estudado.

Em uma revisão de ensaios, pode ser necessário extrair:

• tipo de intervenção;
• dose;
• frequência;
• duração;
• modo de aplicação.

Em um estudo observacional, os campos podem descrever:

• exposição;
• forma de mensuração;
• categorias utilizadas;
• duração ou intensidade;
• critérios de classificação.

Em revisões qualitativas ou de escopo, outros conceitos podem ser mais apropriados.

5. Comparador

Quando houver comparação relevante, registre claramente:

• grupo comparador;
• condição de controle;
• categoria de referência;
• tratamento alternativo;
• ausência de exposição, quando aplicável.

Isso é especialmente importante porque uma estimativa pode mudar completamente de interpretação quando a categoria de referência é invertida.

6. Desfechos, conceitos ou variáveis

Antes de copiar um resultado, identifique o que foi medido.

Dependendo da revisão, pode ser necessário registrar:

• domínio ou desfecho;
• definição utilizada;
• instrumento de mensuração;
• métrica;
• forma de agregação;
• momento da avaliação.

Uma distinção simples ajuda:

Desfecho: o que foi avaliado.
Instrumento: como foi avaliado.
Resultado: o que foi encontrado.

7. Resultados relevantes

Os resultados necessários dependem da pergunta e do método.

Podem incluir:

• frequências;
• proporções;
• médias e medidas de dispersão;
• medianas e intervalos interquartis;
• medidas de associação;
• medidas de efeito;
• intervalos de confiança;
• coeficientes de regressão ou correlação;
• outros resultados pertinentes.

Quando houver resultados brutos e ajustados, essa diferença deve permanecer explícita.

Também não é adequado selecionar apenas resultados estatisticamente significativos ou aqueles que parecem confirmar uma hipótese. A regra de extração deve ser orientada pela pergunta e pelo método da revisão.

8. Tamanho da amostra e denominadores

Um único estudo pode apresentar vários valores de N:

• participantes avaliados para elegibilidade;
• recrutados;
• incluídos;
• alocados;
• acompanhados;
• analisados.

Além disso, o denominador pode variar entre desfechos.

Por isso, uma coluna chamada apenas “N” pode ser insuficiente em revisões mais complexas. O formulário deve indicar qual N está sendo registrado.

9. Momento da avaliação

Resultados medidos no início, em 3 meses, 6 meses e 12 meses não devem ser tratados como equivalentes.

Quando vários momentos forem elegíveis, a revisão precisa definir como eles serão registrados ou priorizados.

10. Financiamento e conflitos de interesse

Quando relevantes ao método adotado, também podem ser coletadas informações sobre:

• fonte de financiamento;
• declarações de conflito de interesse;
• papel do financiador.

Se o artigo não apresenta declaração de financiamento, isso deve ser distinguido de uma afirmação explícita de que não houve financiamento.

11. Informações para avaliação crítica

Algumas informações metodológicas coletadas durante a leitura podem posteriormente ser utilizadas na avaliação crítica ou de risco de viés.

Entretanto, registrar uma informação não é o mesmo que realizar um julgamento metodológico. Essa distinção será detalhada mais adiante.

12. Observações e decisões

Uma coluna de observações pode registrar situações como:

• resultado obtido em publicação secundária;
• N correspondente apenas aos participantes analisados;
• divergência entre texto e tabela;
• dado não informado;
• conversão realizada;
• dúvida que precisa ser conferida.

Esse campo simples pode preservar decisões que seriam difíceis de reconstruir posteriormente.

Principais categorias de dados

Categoria	Exemplos	Para que serve
Identificação	ID, autor, ano, DOI, relatório	Rastrear estudo e fonte
Métodos	Desenho, duração, recrutamento	Caracterizar a investigação
Participantes	N, idade, características relevantes	Descrever a população
Contexto	País, serviço, comunidade, escola	Situar a evidência
Intervenção/exposição	Tipo, intensidade, mensuração	Descrever o fator investigado
Comparador	Controle ou categoria de referência	Interpretar comparações
Desfecho	Domínio, instrumento, momento	Identificar o que foi avaliado
Resultados	Estimativa, dispersão, IC	Registrar os achados necessários
Financiamento	Fonte e declaração	Preservar informação relevante ao método
Observações	Dúvidas, fontes complementares, decisões	Manter rastreabilidade

Como saber quais dados devem ser extraídos?

A melhor maneira de definir a ficha é começar pela pergunta da revisão, e não pela planilha.

Antes de criar uma coluna, pergunte:

• Esta informação ajuda a responder à pergunta?
• É necessária para caracterizar os estudos?
• Será utilizada na análise ou síntese?
• Ajuda a interpretar diferenças importantes entre os estudos?
• É exigida pelo método da revisão?

Esse raciocínio evita dois extremos: uma ficha insuficiente e uma planilha gigantesca com dezenas de campos que nunca serão utilizados.

Use a pergunta como mapa

Considere a pergunta didática:

“Qual é a relação entre atividade física e sintomas de ansiedade em adolescentes?”

Algumas informações naturalmente se tornam relevantes:

• quem são os adolescentes estudados;
• tamanho da amostra;
• idade;
• como a atividade física foi definida e medida;
• como a ansiedade foi definida e medida;
• desenho do estudo;
• qual associação foi encontrada;
• quais variáveis foram consideradas no modelo, quando pertinente.

Em contrapartida, uma característica mencionada no artigo mas sem função para a pergunta pode não precisar ser coletada.

Critérios de elegibilidade e campos de extração precisam conversar

Os critérios de inclusão e exclusão ajudam a definir quais estudos pertencem ao escopo. Parte dessas dimensões também pode ser necessária para caracterizar os estudos depois da inclusão.

Isso não significa copiar todos os critérios para a ficha. Significa verificar quais características continuam relevantes para a descrição e interpretação das evidências.

Pense na síntese antes de finalizar o formulário

Uma técnica útil é imaginar quais tabelas, quadros ou análises serão necessários ao final.

Se você pretende comparar:

• país;
• desenho;
• população;
• tamanho da amostra;
• forma de mensuração;
• principais resultados;

essas informações precisam estar disponíveis de maneira consistente na base.

Não copie uma planilha pronta sem adaptar

Formulários existentes podem servir de referência, mas uma ficha criada para outra pergunta pode conter campos inúteis ou deixar de registrar informações essenciais para a sua revisão.

Antes de reutilizar um modelo, avalie:

• se a pergunta é semelhante;
• se os desenhos são compatíveis;
• se os desfechos são equivalentes;
• se a síntese planejada exige as mesmas informações.

Use o teste da justificativa

Para cada campo, tente completar:

“Preciso coletar esta informação porque…”

Se existe uma justificativa clara, o campo provavelmente tem função.

Se a resposta for apenas “porque costuma aparecer em planilhas de revisão”, talvez seja necessário reconsiderá-lo.

Como criar um formulário ou planilha de extração de dados?

Depois de definir quais informações serão necessárias, o próximo passo é transformar essas decisões em uma ferramenta operacional.

Ela pode ser:

• uma planilha;
• um formulário eletrônico;
• uma base de dados;
• um sistema específico para revisões;
• ou outra estrutura adequada ao projeto.

A escolha da ferramenta é secundária. O mais importante é que os campos sejam claros, consistentes e adequados à pergunta da revisão.

O Cochrane Handbook recomenda o uso de formulários estruturados para coleta dos dados e destaca a importância de que sejam suficientemente claros para produzir informações completas e não ambíguas.

O Cochrane Handbook dedica um capítulo específico à coleta de dados e destaca a importância de formulários estruturados, procedimentos previamente definidos e conferência das informações extraídas.

Planilha, formulário ou software especializado?

Uma planilha pode ser suficiente para muitos TCCs e revisões com quantidade manejável de estudos.

Projetos maiores ou realizados em equipe podem utilizar sistemas que oferecem recursos como:

• formulários estruturados;
• controle de usuários;
• extração independente;
• comparação de respostas;
• histórico de alterações;
• exportação de dados.

A escolha pode considerar:

• quantidade de estudos;
• complexidade dos dados;
• número de pesquisadores;
• necessidade de colaboração;
• recursos disponíveis;
• formatos necessários para análise posterior.

Para um trabalho individual, uma planilha bem estruturada costuma ser mais útil do que um sistema sofisticado mal configurado.

Exemplo de estrutura básica

Uma ficha inicial poderia conter:

ID	Autor/ano	Desenho	População	Amostra	Intervenção/exposição	Desfecho	Resultado	Observações
EST-001	Autor A, 2024	Coorte	Adolescentes	420	Atividade física	Ansiedade	Resultado definido na ficha	Conferido

Esse modelo é apenas didático. Em uma revisão quantitativa, a coluna “resultado” provavelmente precisaria ser dividida em campos como:

• medida de efeito ou associação;
• estimativa;
• limite inferior do intervalo de confiança;
• limite superior;
• grupo de referência;
• modelo bruto ou ajustado;
• momento da avaliação.

Da mesma maneira, “amostra” pode precisar ser subdividida em:

• N recrutado;
• N incluído;
• N por grupo;
• N analisado.

Organize o formulário em blocos lógicos

Uma estrutura por blocos facilita o preenchimento e a conferência.

Por exemplo:

Bloco A — Identificação

• ID do estudo;
• ID do relatório;
• autor;
• ano;
• DOI ou outro identificador.

Bloco B — Características do estudo

• desenho;
• país;
• contexto;
• duração.

Bloco C — Participantes

• tamanho da amostra;
• idade;
• características relevantes.

Bloco D — Intervenção, exposição ou fenômeno

Bloco E — Desfechos e resultados

Bloco F — Fonte, observações e decisões

Uma linha por estudo nem sempre é suficiente

Uma planilha simples pode utilizar uma linha por estudo. Porém, essa estrutura se torna limitada quando existem:

• vários grupos;
• múltiplos desfechos;
• diversos momentos de acompanhamento;
• mais de uma estimativa relevante;
• vários relatórios relacionados.

Imagine o estudo EST-014 com resultados de ansiedade em 3, 6 e 12 meses. Colocar todos os valores em uma única célula pode dificultar a análise.

Nesses casos, pode ser melhor utilizar:

• múltiplas linhas vinculadas ao mesmo ID;
• abas relacionadas;
• tabelas separadas para características e resultados;
• estrutura relacional, quando a complexidade justificar.

Evite colocar várias informações independentes na mesma célula

Considere:

“Brasil; N=380; média 15,2 anos; 58% meninas; escolas públicas.”

Essa célula parece prática durante a leitura, mas dificulta filtros, conferência e análise.

Quando essas características serão utilizadas separadamente, prefira campos próprios:

• País = Brasil;
• N = 380;
• Idade média = 15,2;
• Meninas = 58%;
• Contexto = escolas públicas.

Crie regras de preenchimento

O formulário diz o que preencher. As regras dizem como preencher.

Defina antecipadamente, quando pertinente:

• formato das unidades;
• casas decimais;
• abreviações;
• códigos para dados ausentes;
• forma de registrar diferentes grupos;
• forma de registrar momentos de acompanhamento;
• qual resultado priorizar quando houver múltiplos modelos;
• como identificar informações provenientes de outros relatórios.

Essas regras podem formar um pequeno codebook ou manual de preenchimento.

Campo	Regra de preenchimento
ID do estudo	EST-001, EST-002, EST-003…
País	Nome completo padronizado
Idade	Registrar unidade e tipo de medida
Tempo	Preservar momento e unidade
Dado não informado	Utilizar código previamente definido
Não aplicável	Utilizar código diferente de dado ausente
Dúvida	Marcar para conferência e explicar em observações

Os códigos utilizados são escolhas operacionais da revisão e precisam ser documentados. Não existe obrigação universal de utilizar uma abreviação específica.

Não deixe células vazias com significados diferentes

Uma célula vazia pode significar:

• não informado;
• não aplicável;
• não mensurado;
• não foi possível determinar;
• campo ainda não preenchido;
• esquecimento.

Essas situações não são equivalentes.

Uma revisão pode, por exemplo, criar convenções próprias como:

• NI — não informado;
• NA — não aplicável;
• ND — não foi possível determinar;
• PC — pendente de conferência.

O importante não são essas siglas específicas, mas a consistência do sistema adotado.

Registre a origem de dados críticos

Para informações importantes, pode ser útil adicionar campos como:

• página;
• tabela;
• figura;
• suplemento;
• ID do relatório;
• observação sobre a fonte.

Isso reduz bastante o tempo necessário para conferências posteriores.

Mantenha controle de versões

Durante o piloto, o formulário provavelmente sofrerá ajustes. Identificar versões evita que diferentes estruturas sejam utilizadas sem perceber.

Uma convenção simples pode ser:

• Versão 1.0 — formulário inicial;
• Versão 1.1 — alterações após piloto;
• Versão 1.2 — correção de regra específica.

Também é útil registrar a data da versão.

Por que fazer um teste piloto antes da extração definitiva?

O formulário pode parecer completo enquanto está sendo planejado e revelar problemas assim que é aplicado aos primeiros estudos.

Por isso, uma boa prática é testá-lo em uma pequena amostra dos estudos incluídos antes da coleta definitiva.

O Cochrane Handbook recomenda o uso de formulários testados previamente, justamente para verificar se os dados podem ser coletados de maneira clara e consistente.

O que o piloto deve testar?

Ao aplicar a ficha a alguns estudos, pergunte:

• Os campos são claros?
• Alguma informação importante não tem onde ser registrada?
• Existem campos que nunca são utilizados?
• Algum campo pode ser interpretado de mais de uma maneira?
• Os códigos são suficientes?
• Os resultados podem ser registrados sem ambiguidade?
• A origem dos dados pode ser rastreada?
• O formulário funciona também para estudos mais complexos?

Não existe um número universal de estudos para o piloto

A quantidade depende do tamanho e da heterogeneidade da revisão.

Mais importante do que testar um número fixo é escolher estudos capazes de desafiar o formulário, por exemplo:

• um estudo simples;
• um estudo com vários grupos;
• um estudo com múltiplos momentos;
• um estudo com informações incompletas;
• um estudo com mais de um relatório, quando houver.

O piloto testa interpretação, não apenas funcionamento da planilha

Considere o campo:

“Tamanho da amostra”

Uma pessoa pode registrar participantes recrutados; outra, participantes que completaram o acompanhamento; outra, apenas os analisados.

A planilha funciona tecnicamente, mas o campo é ambíguo.

Depois do piloto, ele poderia ser dividido em:

• N recrutado;
• N incluído;
• N analisado.

O piloto também é útil em TCC individual

Mesmo quando apenas uma pessoa fará a extração, o piloto ajuda a testar a própria consistência.

Uma estratégia possível é:

1. preencher alguns estudos;
2. deixar um intervalo;
3. revisar os mesmos campos;
4. identificar dúvidas recorrentes;
5. ajustar as regras;
6. discutir situações metodológicas relevantes com o orientador, quando apropriado.

Depois do piloto, estabilize a versão operacional

Alterações posteriores podem ser necessárias, mas não devem ocorrer de maneira casual.

Se um novo campo importante for acrescentado depois de parte dos estudos já ter sido extraída, os registros anteriores precisam ser revisitados quando a mudança também se aplicar a eles.

Como extrair dados dos artigos científicos passo a passo?

Depois que o formulário foi planejado e testado, a extração definitiva pode seguir um fluxo padronizado.

1. Confirme os estudos incluídos

Antes de extrair, confirme que o conjunto final corresponde aos estudos que permaneceram após a seleção e triagem.

Também verifique se diferentes artigos podem pertencer à mesma investigação.

2. Organize os arquivos e identificadores

Utilize nomes que permitam reconhecer estudo e relatório.

Por exemplo:

• EST-001_Autor_Ano.pdf;
• EST-002-R1_Autor_Ano.pdf;
• EST-002-R2_Autor_Ano.pdf.

Evite nomes como “artigo1”, “final2” ou “paper-novo”, que se tornam difíceis de interpretar conforme o projeto cresce.

3. Utilize a versão correta do formulário

Antes de iniciar uma nova rodada de extração, confira:

• versão da ficha;
• codebook;
• códigos;
• unidades;
• regras para múltiplos resultados;
• procedimentos para dúvidas.

4. Identifique estudo e relatório

Registre os identificadores necessários antes dos resultados. Isso reduz o risco de dados serem atribuídos ao estudo errado.

5. Extraia características gerais e metodológicas

Registre os campos necessários sobre:

• desenho;
• contexto;
• recrutamento;
• duração;
• grupos;
• procedimentos relevantes.

Não dependa apenas do título ou do resumo. A seção de métodos geralmente contém as definições necessárias.

6. Registre participantes e denominadores

Diferencie, quando necessário:

• recrutados;
• incluídos;
• acompanhados;
• analisados.

Por exemplo:

250 recrutados → 236 incluídos → 221 completaram → 214 analisados.

Esses números respondem a perguntas diferentes.

7. Registre intervenção, exposição, comparador ou fenômeno

Utilize os campos adequados ao desenho da pesquisa. Estudos observacionais não precisam ser artificialmente transformados em modelos de “intervenção versus controle”.

8. Identifique o desfecho antes do resultado

Antes de copiar um número, confirme:

• o que foi medido;
• como foi medido;
• em qual unidade;
• em qual grupo;
• em qual momento.

Esse cuidado reduz o risco de registrar corretamente um número, mas atribuí-lo ao desfecho errado.

9. Aplique a regra prevista para múltiplos resultados

Se houver vários momentos, modelos ou formas de análise, utilize a regra definida no protocolo ou no plano de extração.

Não escolha o resultado porque ele:

• é estatisticamente significativo;
• parece mais interessante;
• confirma a hipótese;
• é mais fácil de interpretar.

10. Preserve estimativa, precisão e contexto

Considere:

OR ajustada = 0,72; IC 95% = 0,56–0,93.

Dependendo da revisão, também será necessário registrar:

• grupo de referência;
• variáveis utilizadas no ajuste;
• momento;
• desfecho correspondente.

Um valor isolado perde grande parte do significado.

11. Preserve unidades e documente conversões

Quando possível, mantenha o dado original e registre separadamente qualquer transformação necessária.

Se houver conversão, documente:

• valor original;
• unidade original;
• regra utilizada;
• valor convertido.

12. Registre a origem das informações críticas

Anote, quando necessário:

• página;
• tabela;
• figura;
• suplemento;
• relatório relacionado.

13. Não complete lacunas por suposição

Se uma informação não estiver disponível, utilize o código definido para essa situação.

Não estime idade média, tamanho de amostra, ausência de financiamento ou qualquer outro campo apenas porque determinado valor parece provável.

14. Documente cálculos e transformações

Se a revisão calcular um valor derivado, preserve a distinção entre:

• dado relatado pelos autores;
• cálculo realizado pelo revisor.

15. Marque dúvidas para resolução

Quando não for possível decidir com segurança, não improvise.

Utilize uma marcação como:

• conferir;
• ver suplemento;
• ver relatório relacionado;
• discutir;
• pendente.

16. Faça uma conferência antes de fechar cada estudo

Confira pelo menos:

• ID;
• amostra;
• grupos;
• desfechos;
• momentos;
• unidades;
• estimativas;
• intervalos;
• dados ausentes;
• fontes complementares.

17. Aplique a mesma lógica aos estudos seguintes

A consistência é uma das principais funções do formulário.

Se uma regra precisar mudar, documente a alteração e verifique se os estudos já extraídos precisam ser revisados.

18. Faça uma verificação global da base

Depois que todos os estudos forem preenchidos, procure:

• células vazias sem explicação;
• códigos inconsistentes;
• unidades diferentes;
• IDs duplicados;
• valores extremos;
• pendências;
• relatórios contabilizados indevidamente como estudos independentes.

Onde encontrar cada informação no artigo científico?

Os artigos seguem estruturas relativamente previsíveis, mas uma informação pode aparecer em lugares diferentes. Por isso, a tabela abaixo indica onde procurar primeiro, e não uma regra absoluta.

Informação	Onde costuma aparecer	O que conferir
Objetivo	Resumo e introdução	Qual pergunta o estudo pretende responder
Desenho	Métodos	Como o estudo foi conduzido
Contexto	Métodos	País, serviço, comunidade ou ambiente
Participantes	Métodos e resultados	Critérios, recrutamento e N efetivamente analisado
Intervenção/exposição	Métodos	Definição, dose, intensidade ou mensuração
Comparador	Métodos e tabelas	Grupo ou categoria de referência
Desfechos	Métodos	Definição, instrumento e momento
Resultados	Resultados, tabelas e figuras	Estimativa, grupo, unidade, precisão e modelo
Seguimento	Resultados, fluxograma ou suplemento	Momento e participantes disponíveis
Financiamento	Declarações ou seção final	Fonte e papel do financiador
Conflitos	Declarações	O que foi declarado pelos autores
Limitações	Discussão	Limitações reconhecidas pelos autores

O resumo é um ponto de partida, não necessariamente a fonte final

O resumo ajuda a localizar rapidamente:

• objetivo;
• desenho;
• população geral;
• principais resultados.

Mas frequentemente não contém detalhes suficientes sobre:

• denominadores;
• instrumentos;
• modelos de ajuste;
• resultados secundários;
• subgrupos;
• notas metodológicas.

Quando o texto completo está disponível, dados importantes devem ser conferidos nele.

Os métodos explicam o significado dos resultados

Um número encontrado na seção de resultados somente pode ser interpretado corretamente quando sabemos como a variável foi definida e medida.

Por isso, a extração não deve se limitar às tabelas finais.

Tabelas e figuras concentram informações importantes

Ao utilizá-las, leia também:

• títulos;
• cabeçalhos;
• legendas;
• unidades;
• notas de rodapé.

Esses elementos podem definir o grupo, o denominador, o modelo estatístico ou outras condições necessárias para interpretar o valor.

Não esqueça os materiais suplementares

Informações detalhadas podem estar disponíveis apenas em suplementos.

Quando um suplemento fornecer um dado crítico, registre sua origem de maneira rastreável, por exemplo:

EST-021-R1-SUP1.

Busca dentro do PDF pode ajudar, mas não substitui leitura contextual

Pesquisar termos como nome do desfecho, “baseline”, “follow-up”, “adjusted”, “funding” ou palavras equivalentes pode acelerar a localização.

Entretanto, encontrar a palavra não garante que o trecho corresponda ao grupo, momento ou análise necessária.

Até aqui, trabalhamos principalmente com informações que podem ser localizadas e registradas de maneira relativamente direta. A extração se torna mais delicada quando o resultado aparece em tabelas complexas ou figuras, quando uma informação não foi relatada, quando números parecem discordar ou quando vários artigos pertencem à mesma investigação. Essas situações serão tratadas a seguir.

Como extrair dados de tabelas e figuras?

Tabelas e figuras frequentemente concentram os resultados mais importantes de um artigo. Porém, copiar um número isoladamente pode produzir erros mesmo quando o valor foi transcrito corretamente.

Antes de registrar qualquer resultado, identifique:

• qual desfecho está sendo apresentado;
• qual grupo ou categoria corresponde ao valor;
• qual é o comparador ou grupo de referência;
• qual momento de avaliação está sendo mostrado;
• qual unidade foi utilizada;
• qual é o denominador;
• se o resultado é bruto ou ajustado;
• qual modelo estatístico foi empregado, quando pertinente.

Leia o título e os cabeçalhos antes dos números

Considere uma tabela com as colunas:

• baixa atividade física;
• atividade física moderada;
• alta atividade física.

Se a categoria “baixa atividade física” for a referência, uma razão de chances apresentada na coluna “alta atividade física” representa uma comparação específica.

Copiar apenas a estimativa e ignorar a referência pode tornar impossível interpretar posteriormente a direção da associação.

Confira sempre as notas de rodapé

Notas de rodapé podem informar:

• variáveis utilizadas no ajuste;
• definições de abreviações;
• mudanças no denominador;
• tratamento de dados ausentes;
• categorias de referência;
• diferenças entre modelos.

Em alguns artigos, uma pequena nota altera substancialmente o significado da tabela.

Não misture resultados brutos e ajustados

Um estudo pode apresentar:

Modelo	Estimativa	IC 95%
Bruto	0,68	0,53–0,87
Ajustado	0,76	0,58–0,99

Os dois valores não são intercambiáveis.

A ficha deve registrar qual modelo foi utilizado e, quando necessário, quais variáveis fizeram parte do ajuste.

Observe se o resultado representa valor final ou mudança

Por exemplo:

• escore aos 12 meses;
• mudança entre início e 12 meses;
• diferença entre grupos aos 12 meses.

São resultados diferentes, mesmo que utilizem o mesmo instrumento.

Verifique o denominador de cada resultado

Um estudo pode ter 500 participantes no início e apenas 438 com dados disponíveis para determinado desfecho.

Por isso, não assuma que o N total da pesquisa é automaticamente o denominador de todas as análises.

Como extrair dados apresentados em gráficos?

Primeiro verifique se os mesmos valores estão disponíveis:

• no texto;
• em tabelas;
• no suplemento;
• em outro relatório do estudo.

Quando o dado necessário estiver disponível apenas graficamente, determinados métodos de revisão podem permitir sua obtenção ou estimativa por técnicas específicas. O Cochrane Handbook discute, por exemplo, a possibilidade de utilizar ferramentas de digitalização para dados apresentados apenas em gráficos quando isso for necessário ao método.

Se algum procedimento desse tipo for utilizado, documente:

• qual figura foi utilizada;
• qual ferramenta ou método foi empregado;
• qual valor foi obtido;
• que se trata de um valor derivado ou estimado, e não diretamente transcrito.

Checklist rápido para tabelas e figuras

Antes de transferir um resultado, confirme:

• título correto;
• linha correta;
• coluna correta;
• grupo correto;
• categoria de referência;
• momento correto;
• unidade;
• denominador;
• nota de rodapé;
• modelo estatístico;
• tipo de estimativa.

O que fazer quando um dado não foi informado?

Durante a extração, é comum encontrar campos que não podem ser preenchidos diretamente. O primeiro passo é identificar por que a informação está ausente.

Existem situações diferentes:

Situação	Significado
Não informado	A informação pode existir, mas não foi encontrada no relatório consultado
Não aplicável	O campo não faz sentido para aquele estudo
Não mensurado	A variável não foi avaliada
Não foi possível determinar	As informações disponíveis não permitem conclusão segura
Zero	A fonte efetivamente informa valor igual a zero

Essas categorias não devem ser tratadas como equivalentes.

Procure em outras partes da fonte

Antes de classificar um dado como não informado, verifique quando pertinente:

• texto completo;
• tabelas;
• figuras;
• notas de rodapé;
• apêndices;
• materiais suplementares.

Verifique publicações relacionadas ao mesmo estudo

Uma informação ausente no artigo principal pode estar disponível no protocolo, em uma publicação anterior ou em um relatório de seguimento.

Se o dado for obtido em outra fonte, registre de onde ele veio.

Contato com autores pode ser considerado em alguns projetos

Dependendo do tipo de revisão, da importância da informação e dos procedimentos definidos, os pesquisadores podem considerar contato com os autores para solicitar esclarecimentos ou dados não relatados.

Se isso fizer parte do método, é útil documentar:

• qual informação foi solicitada;
• quando ocorreu o contato;
• se houve resposta;
• qual informação foi fornecida.

Essa não é uma exigência universal para todo TCC ou revisão.

Não preencha lacunas com conhecimento geral

Considere que o artigo informa apenas “adolescentes matriculados no ensino médio”, sem apresentar idade média ou faixa etária.

Não é adequado preencher:

“Idade aproximada: 15–17 anos.”

Mesmo que pareça plausível, o dado não foi fornecido pelo estudo.

Dados ausentes também podem revelar limitações da evidência

Se muitos estudos deixam de relatar uma característica relevante, isso pode se tornar uma observação importante sobre a literatura.

Para perceber esse padrão, porém, a ausência precisa ter sido registrada de maneira consistente.

O que fazer quando o artigo apresenta números diferentes?

Nem toda diferença entre números representa erro. Muitas vezes, os valores descrevem etapas, populações ou análises diferentes.

Considere:

205 participantes recrutados → 203 elegíveis → 198 analisados.

Os três números podem estar corretos.

Reconstrua o fluxo dos participantes

Quando houver vários valores de N, procure entender:

• quantos foram avaliados;
• quantos eram elegíveis;
• quantos foram incluídos ou alocados;
• quantos permaneceram no acompanhamento;
• quantos entraram na análise;
• quantos contribuíram para cada desfecho.

Depois, registre o número correspondente ao campo definido na ficha.

O denominador pode mudar entre desfechos

Um estudo com 300 participantes pode apresentar:

• 295 respostas para atividade física;
• 282 para ansiedade;
• 270 com dados completos para o modelo ajustado.

Nesse caso, “N=300” não descreve adequadamente todos os resultados.

Resultados de subgrupos precisam permanecer identificados

Uma estimativa para meninas, outra para meninos e uma terceira para a amostra total não devem ser misturadas.

O mesmo vale para:

• faixas etárias;
• categorias de exposição;
• condições clínicas;
• estratos de risco.

Resumo, texto e tabela podem divergir

Quando um valor aparece de forma diferente em partes do artigo:

1. confira se representam exatamente a mesma medida;
2. verifique unidade, arredondamento, grupo e momento;
3. consulte notas de rodapé e suplemento;
4. verifique se houve diferentes modelos;
5. consulte outros relatórios do estudo quando pertinente.

Se a inconsistência continuar sem explicação, não escolha silenciosamente o valor que parece mais provável.

Registre a discrepância e o procedimento adotado.

Pequenas diferenças podem resultar de arredondamento

Um valor apresentado como 12,4 no texto e 12,37 na tabela pode refletir apenas arredondamento.

Isso é diferente de encontrar 12,4 em um ponto e 18,7 em outro para a mesma medida.

Vários modelos estatísticos podem produzir estimativas diferentes

Um artigo pode apresentar:

• modelo bruto;
• modelo ajustado por idade e sexo;
• modelo adicional com fatores comportamentais;
• análise de sensibilidade.

A revisão deve aplicar uma regra previamente definida ou metodologicamente justificável para selecionar ou registrar esses resultados.

Como lidar com vários artigos que pertencem ao mesmo estudo?

Uma das situações mais importantes na extração é perceber que um artigo não equivale necessariamente a um estudo independente.

Uma investigação pode gerar várias publicações.

Por exemplo:

• protocolo;
• artigo principal;
• seguimento de longo prazo;
• análise de subgrupo;
• publicação de desfecho secundário.

Se cada publicação for tratada como um estudo separado, a revisão pode contar os mesmos participantes mais de uma vez.

Como perceber que duas publicações podem pertencer ao mesmo estudo?

Alguns indícios incluem:

• mesmos autores ou grupo de pesquisa;
• mesmo local;
• mesmo período de recrutamento;
• amostra semelhante;
• mesma intervenção;
• mesmo registro do estudo;
• descrição de seguimento de pesquisa anterior.

Nenhum desses sinais isoladamente é sempre conclusivo. O conjunto das informações deve ser avaliado.

Utilize um ID para o estudo e IDs para os relatórios

Uma estrutura simples seria:

• EST-014 — estudo;
• EST-014-R1 — artigo principal;
• EST-014-R2 — seguimento;
• EST-014-R3 — análise secundária.

Assim, a base preserva a relação entre as publicações.

As informações podem ser complementares

Não é necessário escolher um único artigo como fonte de tudo.

Por exemplo:

• R1 pode descrever melhor o recrutamento;
• R2 pode apresentar resultados de 12 meses;
• R3 pode detalhar determinado desfecho.

A ficha pode combinar essas informações, desde que registre a fonte correspondente.

E se os relatórios discordarem?

Verifique:

• se utilizam populações diferentes;
• se correspondem a momentos distintos;
• se a análise foi atualizada;
• se existem perdas de seguimento;
• se houve correção ou publicação posterior;
• se o resultado pertence a subgrupo específico.

Quando a divergência não puder ser resolvida, documente-a em vez de ocultá-la.

Extração de dados e avaliação da qualidade são a mesma coisa?

Não. Embora possam utilizar informações semelhantes, as duas atividades possuem funções diferentes.

Extração de dados registra informações sobre o estudo.

Avaliação crítica ou de risco de viés utiliza critérios metodológicos para julgar aspectos da confiabilidade, validade ou risco de distorção da evidência, conforme o método adotado.

Extração	Avaliação metodológica
Registra como participantes foram recrutados	Avalia implicações metodológicas do recrutamento
Registra perdas de acompanhamento	Julga possível impacto das perdas
Registra método de mensuração	Avalia adequação ou risco associado à mensuração
Registra informações	Produz julgamentos segundo critérios definidos

Informação e julgamento devem permanecer distinguíveis

Considere:

Informação extraída: “38 de 240 participantes não completaram o acompanhamento.”

Julgamento metodológico: a interpretação da relevância dessas perdas segundo o instrumento e o domínio avaliados.

A primeira frase registra um dado. A segunda exige avaliação.

A seção de limitações do artigo não substitui avaliação crítica

As limitações reconhecidas pelos próprios autores podem ser úteis, mas não representam necessariamente uma avaliação completa da qualidade ou do risco de viés.

Os autores podem:

• não identificar todos os problemas relevantes;
• utilizar critérios diferentes dos adotados pela revisão;
• discutir limitações gerais sem abordar domínios específicos.

É possível utilizar a mesma planilha?

Sim, desde que os campos permaneçam claramente separados.

Uma base pode conter:

• aba de características;
• aba de resultados;
• aba de avaliação crítica.

Ou manter campos diferentes dentro da mesma estrutura.

Depois de definir corretamente o que será coletado e separar informação de julgamento, surge outra questão operacional: quem deve realizar a extração e como verificar se os dados registrados estão corretos?

A extração deve ser feita por uma ou duas pessoas?

O número de pessoas envolvidas na extração depende do tipo de revisão, do referencial metodológico e dos recursos disponíveis.

Em revisões sistemáticas conduzidas segundo padrões como os do Cochrane Handbook, procedimentos de extração independente ou verificação por mais de uma pessoa são importantes para reduzir erros, especialmente em informações críticas e resultados.

Isso não significa, porém, que todo TCC precise fingir a existência de dois revisores.

Por que a participação de mais de uma pessoa pode ajudar?

A extração envolve decisões suscetíveis a erros, como:

• selecionar o denominador correto;
• identificar o grupo de referência;
• distinguir resultados brutos e ajustados;
• escolher o momento previsto;
• interpretar notas de rodapé;
• reconhecer múltiplos relatórios do mesmo estudo;
• transcrever números corretamente.

Uma segunda avaliação pode detectar problemas que passaram despercebidos na primeira.

Extração independente e conferência não são exatamente a mesma coisa

Existem diferentes modelos de trabalho.

Extração independente: duas pessoas extraem os mesmos dados separadamente e depois as respostas são comparadas.

Extração com verificação: uma pessoa extrai e outra confere os dados.

Divisão com verificação seletiva: os estudos são distribuídos, enquanto determinados campos críticos passam por conferência adicional.

O procedimento adequado depende do método adotado e deve ser descrito com precisão.

E quando o TCC é individual?

Em trabalhos individuais, podem ser utilizadas medidas proporcionais para aumentar a consistência, como:

• formulário estruturado;
• teste piloto;
• codebook;
• registro da origem dos dados;
• marcação de dúvidas;
• segunda conferência dos campos críticos;
• discussão de situações complexas com o orientador, quando apropriado.

Uma estratégia prática é separar temporalmente extração e conferência. Depois de preencher um conjunto de estudos, o pesquisador pode retornar às fontes e revisar os campos críticos em uma segunda passagem.

Como conferir se os dados foram extraídos corretamente?

A conferência não deve ser tratada como uma formalidade realizada apenas no final. Ela pode ocorrer em dois níveis:

• conferência de cada estudo após a extração;
• controle global da base depois que todos os estudos foram preenchidos.

1. Confira a identificação

Verifique:

• ID do estudo;
• ID do relatório;
• autor;
• ano;
• arquivo utilizado;
• eventuais publicações relacionadas.

Um dado corretamente transcrito para o estudo errado continua sendo um erro.

2. Confira participantes e denominadores

Verifique se o N registrado corresponde ao campo pretendido:

• recrutado;
• incluído;
• acompanhado;
• analisado;
• disponível para determinado desfecho.

3. Confira grupos e categorias de referência

Para resultados comparativos, confirme:

• qual grupo recebeu qual exposição ou intervenção;
• qual categoria é a referência;
• qual direção representa aumento ou redução;
• se os rótulos da base correspondem aos utilizados no estudo.

4. Confira unidades

Erros de unidade podem alterar substancialmente a interpretação.

Confirme, conforme o caso:

• mg versus g;
• minutos versus horas;
• dias versus semanas;
• proporção versus porcentagem;
• pontos de escala;
• unidades clínicas específicas.

5. Confira casas decimais e sinais

Erros como:

• 0,84 registrado como 8,4;
• −0,32 registrado como 0,32;
• 2,07 registrado como 2,70;

podem passar despercebidos se a revisão considerar apenas se a célula está preenchida.

6. Confira estimativa e intervalo de confiança juntos

Quando uma estimativa possui medida de precisão, verifique se os valores pertencem:

• ao mesmo desfecho;
• ao mesmo grupo;
• ao mesmo momento;
• ao mesmo modelo.

7. Confira valores improváveis

Valores muito diferentes dos demais não devem ser corrigidos automaticamente. Primeiro, retorne à fonte.

Um valor extremo pode ser:

• verdadeiro;
• erro de transcrição;
• unidade diferente;
• subgrupo específico;
• resultado de outro momento;
• erro presente no próprio relatório.

8. Revise células vazias e códigos

Procure:

• campos esquecidos;
• NI utilizado como NA;
• pendências não resolvidas;
• códigos escritos de maneiras diferentes.

9. Procure padrões estranhos

Filtros e ordenações simples podem revelar problemas como:

• um estudo sem país;
• um único resultado em unidade diferente;
• idades incompatíveis com a população definida;
• um N muito superior aos demais;
• IDs repetidos.

10. Não “padronize” apagando diferenças reais

Padronização significa registrar dados de forma consistente. Não significa transformar estudos diferentes em estudos artificialmente iguais.

Se dois artigos utilizam instrumentos, definições ou tempos diferentes, essa heterogeneidade precisa continuar visível quando for metodologicamente relevante.

Como documentar decisões tomadas durante a extração?

Nem todas as situações estarão previstas no formulário inicial. Durante a leitura, surgirão decisões que precisam ser registradas para que possam ser compreendidas posteriormente.

Exemplos:

• qual N foi escolhido;
• qual momento foi utilizado;
• qual modelo foi priorizado;
• como uma discrepância foi resolvida;
• qual publicação forneceu determinada informação;
• qual transformação foi realizada;
• por que um campo foi classificado como não aplicável.

Utilize uma coluna de observações

Comentários curtos podem preservar informações importantes:

• “N corresponde à amostra analisada.”
• “Resultado de 12 meses utilizado conforme protocolo.”
• “Dado obtido em EST-014-R2.”
• “Diferença entre texto e tabela atribuída a arredondamento.”
• “Unidade convertida; valor original preservado.”

Decisões gerais podem ficar em um registro metodológico

Quando uma decisão afeta vários estudos, é melhor documentá-la também de forma centralizada.

Situação	Decisão	Justificativa	Impacto
Múltiplos seguimentos	Utilizar 12 meses quando disponível	Regra prevista no protocolo	Aplicada aos estudos elegíveis
Resultados bruto e ajustado	Registrar separadamente	Evitar perda de informação metodológica	Novos campos na ficha
Dado não relatado	Utilizar código NI	Distinguir ausência de zero	Aplicado em toda a base

Documente transformações

Quando um dado for convertido ou calculado, preserve:

valor original → transformação realizada → valor utilizado.

Isso permite verificar o procedimento posteriormente.

Registre também discrepâncias investigadas

Mesmo quando uma divergência é resolvida, pode valer a pena registrar a investigação se ela afetou uma decisão importante.

Por exemplo:

“O resumo apresenta N=198 e a seção de métodos N=205. O primeiro corresponde aos participantes analisados; o segundo, aos recrutados.”

Esse registro evita que a mesma dúvida precise ser investigada novamente.

A documentação deve ser proporcional

Um TCC com poucos estudos não precisa necessariamente de um sistema complexo de auditoria.

Uma revisão extensa, com vários extratores, relatórios e transformações, pode exigir controles muito mais detalhados.

O princípio é simples: as decisões importantes precisam ser reconstruíveis.

É possível usar inteligência artificial na extração de dados?

Ferramentas de inteligência artificial podem auxiliar determinadas tarefas, mas não devem ser tratadas como fonte primária nem como autoridade metodológica.

Em que a IA pode ajudar?

Dependendo da ferramenta e das condições de uso, ela pode auxiliar a:

• localizar trechos relevantes;
• identificar onde determinada variável é descrita;
• organizar informações já verificadas;
• comparar campos do formulário com o conteúdo do artigo;
• sinalizar possíveis lacunas para conferência.

Quais são os principais riscos?

Uma ferramenta pode:

• confundir grupos;
• selecionar o momento errado;
• interpretar incorretamente uma tabela;
• ignorar notas de rodapé;
• misturar resultados brutos e ajustados;
• atribuir um valor ao desfecho errado;
• confundir relatórios de um mesmo estudo;
• inferir ou gerar informação que não está na fonte.

Tabelas complexas exigem atenção especial porque seu significado depende simultaneamente de linhas, colunas, cabeçalhos, notas e contexto metodológico.

Use a IA como apoio de localização, não como substituta da fonte

Se uma ferramenta indicar que determinado resultado está na Tabela 3, isso pode acelerar o trabalho. Mas o pesquisador deve abrir a Tabela 3 e verificar:

• o valor;
• o grupo;
• o desfecho;
• o momento;
• a unidade;
• as notas pertinentes.

Considere privacidade, direitos e regras institucionais

Antes de enviar documentos a uma ferramenta externa, verifique quando pertinente:

• políticas da instituição;
• confidencialidade;
• direitos de uso do conteúdo;
• termos da plataforma;
• necessidade de declarar o uso da ferramenta.

A responsabilidade continua sendo do pesquisador

Automatizar uma tarefa não transfere a responsabilidade pela precisão da revisão.

Se a IA cometer um erro que seja incorporado à base sem conferência, o problema passa a fazer parte do trabalho acadêmico.

12 erros comuns na extração de dados

Muitos problemas de extração não surgem por falta de conhecimento estatístico, mas por falhas de organização e consistência.

1. Começar sem formulário definido

Isso faz com que cada artigo seja lido de maneira diferente e que novos campos sejam criados continuamente.

2. Extrair tudo o que aparece no artigo

Mais dados não significam automaticamente melhor revisão. Informações sem função aumentam o trabalho e dificultam a conferência.

3. Alterar campos constantemente

Se a ficha muda sem controle, estudos extraídos em momentos diferentes podem deixar de ser comparáveis.

4. Tratar dado ausente como zero

Não informado, não mensurado, não aplicável e zero são situações diferentes.

5. Registrar números sem unidade

Um valor sem unidade pode se tornar impossível de interpretar posteriormente.

6. Esquecer o momento da avaliação

Resultados de 3, 6 e 12 meses não devem ser misturados.

7. Confundir grupos ou categorias de referência

Isso pode inverter a interpretação de uma associação.

8. Confundir participantes recrutados com analisados

O N precisa corresponder ao campo e ao resultado que está sendo registrado.

9. Tratar múltiplos relatórios como estudos independentes

Esse erro pode duplicar participantes e super-representar uma investigação.

10. Escolher apenas resultados interessantes

Selecionar resultados porque são significativos ou confirmam uma hipótese introduz decisões orientadas pelos achados.

11. Não registrar decisões

Sem um histórico mínimo, escolhas feitas durante a extração tornam-se difíceis de reconstruir.

12. Confiar cegamente em inteligência artificial

Resultados sugeridos por ferramentas precisam ser conferidos na fonte original.

Erro	Consequência	Como prevenir
Sem formulário	Extração inconsistente	Planejar e testar a ficha
Extrair tudo	Base pesada e pouco funcional	Derivar campos da pergunta
Mudar regras sem controle	Estudos tratados de formas diferentes	Versionar e documentar
Ausência = zero	Dado incorreto	Utilizar códigos distintos
Sem unidade	Resultado ambíguo	Registrar valor e unidade
Sem momento	Resultados incompatíveis misturados	Registrar tempo
Grupo errado	Interpretação invertida	Conferir referência
N incorreto	Caracterização inadequada	Definir tipo de N
Relatórios duplicados	Dupla contagem	Vincular por ID de estudo
Escolha pelo resultado	Decisão orientada pelos achados	Aplicar regras predefinidas
Sem registro de decisões	Baixa rastreabilidade	Manter observações
IA sem conferência	Erros incorporados à base	Verificar a fonte original

Checklist para extração de dados dos artigos científicos

O checklist abaixo pode ser utilizado antes, durante e depois da extração. Ele não substitui o protocolo ou o formulário, mas ajuda a reduzir esquecimentos.

Antes da extração

• ☐ A pergunta e os objetivos estão claros?
• ☐ Os estudos incluídos foram confirmados?
• ☐ Relatórios relacionados foram identificados?
• ☐ Os campos necessários foram definidos?
• ☐ O formulário possui versão identificada?
• ☐ As regras de preenchimento estão documentadas?
• ☐ Existem códigos para dados ausentes?
• ☐ Unidades e formatos foram definidos?
• ☐ Há regras para múltiplos grupos, momentos e modelos?
• ☐ Existe espaço para observações e decisões?

Durante o piloto

• ☐ Os campos são claros?
• ☐ Algum campo pode ser interpretado de maneiras diferentes?
• ☐ Falta alguma informação essencial?
• ☐ Existem campos desnecessários?
• ☐ Os códigos funcionam?
• ☐ A ficha comporta estudos complexos?
• ☐ É possível rastrear os dados até a fonte?
• ☐ Alterações foram documentadas?
• ☐ Estudos já testados serão revisitados se a mudança exigir?

Para cada estudo

• ☐ O ID está correto?
• ☐ Verifiquei se existem outros relatórios da mesma investigação?
• ☐ Autor e ano foram registrados?
• ☐ O desenho está correto?
• ☐ População e contexto foram registrados quando relevantes?
• ☐ Diferenciei N recrutado, incluído e analisado quando necessário?
• ☐ Intervenção, exposição ou fenômeno foi identificado?
• ☐ O comparador ou referência está claro?
• ☐ O desfecho foi identificado antes do resultado?
• ☐ O instrumento foi registrado quando necessário?
• ☐ O momento está identificado?
• ☐ A unidade está registrada?
• ☐ Diferenciei resultados brutos e ajustados?
• ☐ Li notas de rodapé relevantes?
• ☐ Conferi tabelas, figuras e suplementos quando necessário?

Para resultados numéricos

• ☐ A estimativa pertence ao desfecho correto?
• ☐ O grupo está correto?
• ☐ O denominador está correto?
• ☐ A unidade está correta?
• ☐ O momento está correto?
• ☐ A categoria de referência está identificada?
• ☐ O intervalo de confiança pertence à mesma estimativa?
• ☐ O modelo está identificado?
• ☐ Sinais e casas decimais foram conferidos?
• ☐ Transformações foram documentadas?

Para dados ausentes ou duvidosos

• ☐ Procurei a informação em outras partes do relatório?
• ☐ Consultei suplemento quando pertinente?
• ☐ Verifiquei relatórios relacionados?
• ☐ Diferenciei não informado, não aplicável e zero?
• ☐ Evitei inferir informações não relatadas?
• ☐ A dúvida foi marcada para conferência?

Para múltiplos relatórios

• ☐ Todos estão vinculados ao mesmo ID de estudo?
• ☐ Está claro qual relatório forneceu cada informação crítica?
• ☐ Evitei contar os mesmos participantes mais de uma vez?
• ☐ Divergências foram investigadas?

Antes de finalizar a base

• ☐ Revisei células vazias?
• ☐ Resolvi ou documentei pendências?
• ☐ Conferi IDs duplicados?
• ☐ Padronizei códigos e formatos?
• ☐ Conferi unidades?
• ☐ Investiguei valores extremos?
• ☐ Verifiquei estudos com múltiplos relatórios?
• ☐ Dados transformados permanecem rastreáveis?
• ☐ Decisões importantes estão documentadas?
• ☐ A base está pronta para organização e síntese?

Depois de percorrer tantos campos, regras e situações especiais, a extração pode parecer mais abstrata do que realmente é. O exemplo a seguir reúne esses princípios em três estudos fictícios para mostrar como uma base pode ser construída na prática.

Exemplo prático de extração de dados

Para visualizar como as decisões anteriores funcionam na prática, considere uma revisão com a seguinte pergunta:

“Qual é a relação entre atividade física e sintomas de ansiedade em adolescentes?”

Suponha que, depois da seleção e triagem, três estudos tenham sido incluídos.

Primeiro, defina os campos necessários

Para essa pergunta, uma ficha simplificada poderia incluir:

• ID do estudo;
• autor e ano;
• país;
• desenho;
• tamanho da amostra;
• idade;
• forma de mensuração da atividade física;
• forma de mensuração da ansiedade;
• momento da avaliação;
• resultado relevante;
• fonte e observações.

Esses campos foram escolhidos porque ajudam a caracterizar os estudos e compreender como a relação entre atividade física e ansiedade foi investigada.

Estudo fictício A: resultado ajustado

Imagine um estudo transversal brasileiro com 642 adolescentes de 13 a 17 anos.

A atividade física foi avaliada por questionário e a ansiedade por uma escala validada. A tabela principal apresenta a associação entre categorias de atividade física e sintomas de ansiedade.

Para o grupo de maior atividade física, em comparação ao grupo de menor atividade física, o artigo apresenta:

OR ajustada = 0,74; IC 95% = 0,58–0,94.

A nota de rodapé informa ajuste por idade, sexo e horas de sono.

Campo	Dado extraído
ID	EST-A
País	Brasil
Desenho	Transversal
N	642
Idade	13–17 anos
Atividade física	Questionário
Ansiedade	Escala validada
Resultado	OR ajustada = 0,74; IC 95% = 0,58–0,94
Referência	Grupo de menor atividade física
Ajuste	Idade, sexo e horas de sono

Registrar somente “0,74” seria insuficiente. O valor precisa permanecer associado à medida, ao intervalo de confiança, à categoria de referência e ao modelo correspondente.

Estudo fictício B: N e momento de acompanhamento

Agora considere uma coorte canadense.

O estudo recrutou 510 adolescentes, mas 472 apresentaram os dados necessários para a análise no acompanhamento de 12 meses.

A atividade física foi mensurada por acelerômetro e os sintomas de ansiedade por instrumento padronizado.

O relatório apresenta resultados em 6 e 12 meses.

Suponha que o protocolo tenha estabelecido previamente que, dentro da janela elegível, será utilizado o acompanhamento mais longo.

A ficha poderia registrar:

Campo	Dado extraído
ID	EST-B
País	Canadá
Desenho	Coorte
N recrutado	510
N analisado	472
Atividade física	Acelerômetro
Ansiedade	Instrumento padronizado
Momento	12 meses
Resultado	Associação inversa entre maior atividade física e escore de ansiedade
Observação	Resultado de 12 meses utilizado conforme regra previamente definida

Esse exemplo mostra dois problemas frequentes.

Primeiro, uma única coluna chamada “amostra” poderia ocultar a diferença entre 510 recrutados e 472 analisados.

Segundo, escolher o resultado de 12 meses não deve depender de ele parecer mais favorável ou interessante. A escolha decorre da regra metodológica previamente definida.

Estudo fictício C: dois artigos pertencentes ao mesmo estudo

Considere agora uma investigação longitudinal realizada na Espanha com 380 adolescentes.

Existem duas publicações:

• EST-C-R1 — artigo principal, com desenho, participantes e mensuração da atividade física;
• EST-C-R2 — publicação posterior, com resultados específicos sobre ansiedade.

Em vez de registrar dois estudos, a revisão mantém um único ID:

EST-C

e vincula os dois relatórios a ele.

Campo	Dado extraído	Fonte
ID do estudo	EST-C	R1/R2
País	Espanha	R1
Desenho	Longitudinal	R1
Amostra	380	R1
Atividade física	Autorrelato	R1
Ansiedade	Escala padronizada	R2
Resultado	Resultado ajustado definido para a revisão	R2

Assim, características metodológicas podem vir de R1 e resultados de R2 sem duplicar os participantes.

Como ficaria uma visão resumida da base?

Estudo	País	Desenho	N	Atividade física	Ansiedade	Resultado relevante
EST-A	Brasil	Transversal	642	Questionário	Escala validada	OR ajustada = 0,74; IC 95% = 0,58–0,94
EST-B	Canadá	Coorte	472 analisados	Acelerômetro	Instrumento padronizado	Associação inversa aos 12 meses
EST-C	Espanha	Longitudinal	380	Autorrelato	Escala padronizada	Resultado ajustado definido para a revisão

Essa tabela é apenas uma visualização didática da extração. Ela não precisa corresponder ao quadro final que será apresentado no trabalho.

Nesse momento, também não seria adequado concluir, a partir da tabela fictícia, se a atividade física “reduz” ou “não reduz” a ansiedade. Isso exigiria considerar desenho, comparabilidade, métodos, resultados e abordagem de síntese.

O que o exemplo ensina?

Mesmo com apenas três estudos, foi necessário decidir:

• qual N registrar;
• qual momento utilizar;
• qual resultado corresponde à pergunta;
• como preservar o modelo de ajuste;
• como identificar a categoria de referência;
• como relacionar múltiplos relatórios;
• como manter a origem das informações.

Em uma revisão com dezenas de estudos, essas decisões se multiplicam. É por isso que formulário, piloto, regras e documentação têm função metodológica e não apenas administrativa.

A extração de dados muda conforme o tipo de revisão?

Sim. Os princípios de planejamento, consistência e rastreabilidade continuam importantes, mas os campos e o nível de detalhamento devem acompanhar a pergunta e o tipo de revisão.

Revisão sistemática

Em uma revisão sistemática, a extração costuma ser altamente estruturada e vinculada ao protocolo.

Dependendo da pergunta, pode exigir informações detalhadas sobre:

• métodos;
• participantes;
• intervenções ou exposições;
• comparadores;
• desfechos;
• resultados quantitativos;
• momentos de acompanhamento;
• fontes necessárias para avaliação metodológica.

Quando haverá síntese quantitativa, denominadores, medidas, unidades e precisão dos resultados exigem atenção especial.

Revisão de escopo

Em uma revisão de escopo, a coleta pode ser denominada data charting e frequentemente possui finalidade mais ampla de mapeamento.

Os campos podem enfatizar:

• populações;
• conceitos;
• contextos;
• tipos de evidência;
• características metodológicas;
• lacunas de pesquisa.

A estrutura pode admitir refinamento iterativo conforme o método utilizado, desde que as mudanças sejam justificadas e documentadas.

Revisão integrativa

Na revisão integrativa, a diversidade de desenhos pode exigir uma ficha flexível.

Uma possibilidade é combinar:

• campos comuns a todos os estudos;
• campos específicos para determinados desenhos.

Flexibilidade, porém, não significa ausência de padronização.

Revisão narrativa

Em uma revisão narrativa, o processo pode ser menos formalizado, dependendo da abordagem adotada.

Ainda assim, uma matriz de leitura estruturada pode melhorar:

• organização;
• comparabilidade;
• consistência;
• rastreabilidade das fontes.

Revisão bibliográfica em TCC

Em uma revisão bibliográfica acadêmica mais ampla, uma ficha proporcional ao objetivo pode incluir:

• referência;
• objetivo;
• desenho ou tipo de estudo;
• tema central;
• principais achados;
• contribuição para o problema investigado.

Mesmo nesse formato, a ficha deve ajudar a construir uma análise integrada, e não apenas uma coleção de resumos.

Use o princípio da proporcionalidade metodológica

A melhor ficha não é necessariamente a mais longa ou sofisticada.

Ela é aquela que coleta, com clareza suficiente, as informações necessárias para responder à pergunta e sustentar a síntese planejada.

Perguntas frequentes sobre extração de dados

O que é extração de dados em uma revisão?

É a coleta estruturada das informações relevantes dos estudos incluídos

A extração de dados identifica e registra informações previamente definidas dos estudos que entraram na revisão para permitir caracterização, comparação, análise e síntese posteriores.

Quais dados devo extrair dos artigos científicos?

Extraia os dados necessários à pergunta, aos objetivos e à síntese

Não existe uma lista universal. Identificação, métodos, participantes, intervenção ou exposição, desfechos e resultados são categorias frequentes, mas os campos devem ser adaptados à revisão.

Extração de dados é a mesma coisa que resumir artigos?

Não

O resumo sintetiza o conteúdo de um artigo. A extração registra informações específicas em campos padronizados para que vários estudos possam ser comparados e analisados.

Como fazer uma planilha para extrair dados dos artigos?

Defina primeiro o que precisa saber

Crie campos correspondentes à pergunta e aos objetivos, estabeleça regras de preenchimento e teste a estrutura em alguns estudos antes da coleta definitiva.

Preciso extrair todas as informações do artigo?

Não

Extraia informações com função metodológica ou analítica. Dados sem finalidade clara aumentam o trabalho e podem tornar a base desnecessariamente complexa.

O que fazer quando uma informação não aparece no artigo?

Procure outras fontes relacionadas e registre corretamente a ausência

Verifique texto completo, tabelas, figuras, suplementos e relatórios relacionados. Se a informação continuar indisponível, utilize o código definido pela revisão. Não substitua automaticamente ausência por zero.

Posso extrair os dados apenas pelo resumo?

Em geral, o resumo é insuficiente

Ele pode omitir denominadores, instrumentos, modelos, grupos, resultados secundários e outras informações necessárias. Dados importantes devem ser conferidos no relatório completo quando disponível e pertinente ao método.

Como extrair dados de tabelas e figuras?

Leia o valor junto com seu contexto

Confira linha, coluna, grupo, categoria de referência, unidade, momento, denominador, legenda e notas de rodapé antes de registrar o resultado.

O que fazer quando aparecem dois números diferentes?

Descubra primeiro o que cada número representa

Eles podem corresponder a participantes recrutados e analisados, diferentes momentos, subgrupos ou modelos. Se a divergência permanecer inexplicada, documente-a.

É obrigatório que duas pessoas façam a extração?

Depende do método da revisão

Alguns referenciais de revisões sistemáticas exigem ou recomendam procedimentos com mais de uma pessoa para dados críticos. Em TCC individual, descreva o método realmente realizado e adote controles proporcionais, como piloto e segunda conferência.

Posso usar inteligência artificial para extrair dados?

Pode ser utilizada como apoio, mas os dados precisam ser verificados

A IA pode ajudar a localizar e organizar informações, mas pode confundir grupos, momentos, tabelas e modelos ou gerar informações não presentes na fonte. Dados definitivos devem ser conferidos no relatório original.

O que fazer quando dois artigos pertencem ao mesmo estudo?

Vincule os relatórios ao mesmo ID de estudo

Utilize as publicações como fontes complementares quando necessário, evitando contar os mesmos participantes como se pertencessem a investigações independentes.

Quando começa a extração dos dados?

Geralmente depois da definição dos estudos incluídos

A coleta definitiva ocorre depois da seleção, mas o planejamento dos campos e procedimentos deve começar antes, idealmente durante o protocolo ou planejamento metodológico.

Extração e avaliação da qualidade são a mesma coisa?

Não

A extração registra informações. A avaliação crítica ou de risco de viés realiza julgamentos metodológicos utilizando critérios e instrumentos adequados ao método da revisão.

O que fazer depois de extrair os dados?

Conferir a base e avançar para organização e síntese

Depois da verificação, as informações podem ser organizadas em tabelas ou quadros, comparadas e sintetizadas conforme o tipo de revisão e o método planejado.

Conclusão: extração de dados transforma artigos em uma base estruturada

Extrair dados dos artigos científicos não significa copiar trechos para uma planilha nem produzir um resumo de cada publicação. O objetivo é transformar os estudos incluídos em uma base de informações relevantes, rastreáveis e suficientemente padronizadas para sustentar as etapas posteriores da revisão.

Uma boa extração começa pela pergunta de pesquisa. A partir dela, o pesquisador define quais informações serão necessárias, cria um formulário, estabelece regras de preenchimento e testa a estrutura antes da coleta definitiva.

Durante o processo, alguns princípios merecem atenção especial:

• não extrair dados sem função clara;
• preservar grupo, unidade, denominador e momento;
• diferenciar resultados brutos e ajustados;
• não transformar dados ausentes em zero;
• vincular vários relatórios pertencentes ao mesmo estudo;
• documentar transformações e decisões;
• manter dados críticos rastreáveis até a fonte;
• conferir a base antes da síntese.

Ferramentas digitais e inteligência artificial podem auxiliar o trabalho, mas não substituem a leitura crítica nem a verificação dos dados no relatório original.

Da mesma forma, o nível de complexidade da ficha deve ser proporcional à revisão. Um TCC individual não precisa simular uma grande equipe metodológica, enquanto uma revisão sistemática complexa pode exigir controles muito mais rigorosos.

Quando esses princípios são aplicados, a planilha deixa de ser apenas um arquivo de anotações e passa a funcionar como a ponte entre os estudos incluídos e a análise da revisão.

O passo seguinte é organizar essas informações de maneira comparativa, estruturando os estudos lado a lado para facilitar a apresentação e a síntese dos resultados.

Referências metodológicas

1. LI, Tianjing; HIGGINS, Julian P. T.; DEEKS, Jonathan J. Chapter 5: Collecting data. In: HIGGINS, Julian P. T. et al. (ed.). Cochrane Handbook for Systematic Reviews of Interventions. Version 6.5. Cochrane, 2024. Disponível em: Cochrane Handbook — Chapter 5.
2. HIGGINS, Julian P. T. et al. (ed.). Cochrane Handbook for Systematic Reviews of Interventions. 2. ed. Chichester: Wiley, 2019. DOI: 10.1002/9781119536604.
3. AROMATARIS, Edoardo; LOCKWOOD, Craig; PORRITT, Kylie; PILLA, Balaji; JORDAN, Zoe (ed.). JBI Manual for Evidence Synthesis. JBI, 2024.
4. POLLOCK, Danielle et al. Recommendations for the extraction, analysis, and presentation of results in scoping reviews. JBI Evidence Synthesis, v. 21, n. 3, p. 520–532, 2023.
5. PAGE, Matthew J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, v. 372, n. 71, 2021. DOI: 10.1136/bmj.n71.
6. PAGE, Matthew J. et al. PRISMA 2020 explanation and elaboration: updated guidance and exemplars for reporting systematic reviews. BMJ, v. 372, n. 160, 2021. DOI: 10.1136/bmj.n160.
7. NATIONAL INSTITUTES OF HEALTH LIBRARY. Data Collection: Evidence Synthesis. Disponível em: NIH Library — Data Collection.