Este estudo metodológico descreve o Hippocrates, uma metodologia de AutoML governado para construir modelos de triagem a partir de dados tabulares de prontuários eletrônicos em sistemas de saúde da Colômbia e da América Latina. O desenvolvimento é organizado em 13 fases, da ingestão de dados e das barreiras obrigatórias contra vazamento de informação até a calibração isotônica, a escolha de limiares, a análise por subgrupos e a documentação alinhada ao TRIPOD+AI. Nenhum modelo pode ser implantado sem passar por um limiar de inclinação de calibração de 0.85–1.15; 18 pontos de pausa interrompem a automação em decisões como a definição do desfecho e o escopo de implantação, e cada decisão fica registrada em um log de auditoria somente de acréscimo. A metodologia roda como arquivos de habilidades reutilizáveis executados por um agente de modelo de linguagem e foi testada com seis conjuntos sintéticos de casos-limite.
Em cinco sessões reais de triagem de DRC, triagem de DPOC e retenção de pessoal, ela produziu modelos calibrados com trilhas de governança completas. Em uma avaliação retrospectiva em quatro instituições (mais de 53 000 pacientes), o novo modelo de DRC superou de forma consistente um modelo implantado anteriormente, com discriminação próxima do acaso (AUROC de cerca de 0.58) e inclinação de calibração de 0.04; em cinco sementes aleatórias, atingiu AUROC de 0.7479 ± 0.0013, e a variabilidade entre operadores (cerca de 0.029 de AUROC) foi a principal fonte de variação. A metodologia também corrigiu a descalibração na triagem de DPOC e detectou vazamento temporal na sessão de retenção de pessoal. O trabalho é um preprint ainda não revisado por pares, e os autores apontam a necessidade de estudos prospectivos sobre reprodutibilidade e utilidade clínica.
