01证据整合的关键步骤有哪些?

证据整合(Evidence synthesis)：又称证据综合，即使用系统、明确的方法对现有研究进行合成，其能够提高研究结论的可靠性和准确性，为临床实践指南、患者辅助决策及政策简报提供证据基础^[1]。

关键步骤：问题定义，明确需要解答的具体临床问题，通常遵循PICO框架（Patient/Problem, Intervention, Comparison, Outcome）来结构化问题；文献检索；筛选和评估；数据提取；证据整合；证据等级评价；形成建议；传播与实施；持续更新。

02

AI证据整合与传统系统评价的区别？

在医学领域，系统评价是经典的证据整合方法。系统评价和合成的研究证据及其质量是实践循证医学的决策依据。

🔹传统系统评价：

耗费时间长，成功发表一篇系统评价的文章平均时间超过1.3年^[2]；检索效率低；检索全面性欠佳；提出问题到完成时间间隔长，对系统评价的时效性产生影响，导致系统评价失去创新性。

🔹动态系统评价（Living systematic review）：

指不断更新的系统评价，其通过定期更新的过程来不断纳入新的临床证据研究，以确保系统评价结果的时效性与准确性，弥补了传统系统评价可能存在的滞后性^[3]。

🔹AI辅助下的系统评价：

提高文献检索筛选能力，大幅减少工作量；显著提高速度和质量；查全率高；保证时效性。已有研究采用AI加速文献检索, 将人工完成系统评价的时间从12个月缩短到2周、如SARS-Cov-2的无症状传播^[4]。

图1：当AI支持"Living"评价时，系统评价的建立(dev) 、时效衰减(dec) 和更新(upd) 时间都会缩短。在AI的情况下，证据整合几乎可以即时生成并始终保持最新^[3]。

03

AI如何用于证据整合各阶段

目前AI辅助系统评价证据整合是通过一系列针对特定任务的计算工具来完成的，这些工具针对系统评价过程中的各个步骤^[3]（表1），包括问题发现提出、检索和筛选研究文献、偏倚风险评估、数据提取、数据分析和撰写报告。

表1 AI在系统评价不同步骤中的应用

包括机器学习在内的AI方法，可以通过机器学习不断更新自己的知识库，提高系统评价的时效性和质量，并逐渐减少人工干预，以反映最新的医学进展和研究成果。即时的创建系统评价，使证据整合始终最新。

04

AI在证据整合的应用实例有哪些？

已有综述（2022年发表于Research Synthesis Methods[JCR分区1区，中科院分区2区，IF:9.308]）报告了AI辅助的系统评价(Systematic review)和类似评价，如快速评价(Rapid review)、概况性评价(Scoping review)、证据差距图(Evidence gap map)、证据图谱(Evidence mapping)以及设计人体健康科学的范围应用^[5]。这篇综述纳入研究的12篇文献中，识别出9种不同的工具，共15种AI方法，分布在系统评价的各个阶段：筛选阶段（标题和摘要的筛选，方案的筛选，摘要分类和过滤以及文本挖掘，和全文筛选）、数据提取和偏倚风险评估等，如下图2和图3：

图2 应用在系统评价中的AI工具  

图3 各阶段使用AI方法的分布

05

AI在证据整合的优势与不足有哪些？

AI方法的优势：

1)速度和效率的提升。

2)实现了显著的时间节省。

3)全面性、准确性和可靠性。

4)时效性。

AI方法的局限与挑战：

1)部分AI工具可能遗漏一些相关研究，尤其是当缺少研究摘要时。某些AI可能错误地识别非随机对照试验（RCT）为RCT，需要人工干预确认。

2)数据提取的自动化程度有限。

3)技术性能和透明度：AI工具的准确性和可靠性需要继续提升。

4)需了解算法工作原理，研究团队可能缺乏必要的IT技能。

5)资金与成本。

结论

AI在医学证据整合中的应用，不仅可以加速研究进程，提高临床决策的质量，还可以促进个性化医疗的发展，最终改善患者的整体健康状况。尽管AI平台在证据整合中取得了不同程度的成功，如Cochrane Crowd平台达到98%的灵敏度，99.8%的特异度；Robot Search平台灵敏度为98.5%时，其特异度为87.6%^[6]。但目前阶段AI仍需依赖广泛的人工验证。进一步的研究评价对于明确AI平台在增强证据整合效率和质量中的总体贡献至关重要。