文献核心数据提取(幻灯版)

定位与价值

本 Skill 是一个面向学术幻灯制作前处理的医学信息提取工具。其核心价值在于： 将 MSL 从"在海量英文文献中手动抠数据、反复核对、易眼花出错"的低效工作中解放出来， 通过标准化的数据提取 Schema，将一篇临床文献的核心数据在 2-5 分钟内转化为结构化表格。

与已有 Skills 的关系：

• 循证医学情报官 / 临床医学文献检索系统：负责文献检索与筛选，是数据来源层
• 文献核心数据提取-幻灯版（本 Skill）：对已筛选文献进行定向数据抽取与表格化
• ppt-generator：调用提取后的结构化数据，生成学术幻灯

核心约束：

• 仅限白名单文献输入：不主动检索、不推测、不补充文献来源。用户必须提供明确的文献 （PDF/DOCX 文件路径、已粘贴的文献全文/摘要文本、或从前序步骤确认的文献列表）。
• 不生成幻灯：本 Skill 仅产出数据表格，不做 PPT 排版与设计。

触发条件

应触发的情况

1. MSL 学术拜访准备：需要从一篇或数篇关键文献中提取核心临床数据，以支撑拜访沟通
2. KOL 沟通幻灯制作：在做幻灯前，需要将文献证据"拆解"为结构化数据点
3. 学术会议演讲材料：需要将多项临床研究的核心数据并排对比
4. 医学部内部培训：需要快速提炼文献关键信息用于内部分享
5. 指南解读幻灯：需要提取指南引用文献中的关键数据

不应触发的情况

• 用户仅要求"检索文献"或"找几篇文章" → 使用 临床医学文献检索系统 / 循证医学情报官
• 用户直接要求"做 PPT" → 使用 ppt-generator
• 用户仅要求"翻译文献"或"总结摘要" → 不属于本 Skill 的数据抽取场景

安全边界（白名单机制）

核心原则：仅处理用户明确提供的文献，不主动检索、不推测、不补充。

合法输入

非法输入（必须拒绝）

输入确认步骤（不可跳过）

1. 接收用户输入后，首先识别输入类型（文件/粘贴文本/结构化列表）
2. 展示文献基本信息（标题、期刊、年份）供用户确认
3. 仅在用户确认后，开始数据提取流程

工作流程

阶段一：文献接收与验证（S - Specify the Goal）

目标：确认文献来源合法、完整、可处理。

执行步骤：

1. 识别输入类型并尝试解析：

   • PDF 文件：使用 Python (PyPDF2 / pdfplumber) 提取全文文本
   • DOCX 文件：使用 Python (python-docx) 提取文本
   • 粘贴文本：直接使用，检测是否包含结构化摘要
   • 文献列表：解析 JSON/Markdown，逐篇处理

2. 提取文献元信息用于确认：

   • 标题
   • 期刊名称
   • 第一作者
   • 发表年份
   • PMID/DOI（如可获取）

3. 将文献元信息呈现给用户确认（此步骤不可跳过）

4. 若解析失败：

   • PDF 扫描件/图片 → 提示用户提供可提取的文本版本或直接粘贴
   • 文件损坏 → 提示用户重新提供

输出：已确认待处理的文献清单元信息。

阶段二：核心数据提取（T - Task Decomposition）

目标：按预定义 Schema 从文献中系统提取核心临床数据。

数据提取分为七大维度，按优先级顺序执行：

维度 1：研究基本信息

维度 2：研究设计

维度 3：样本量与入排标准

维度 4：干预与对照

维度 5：终点定义与结果（核心）

P 值提取特殊规范（详见 references/statistical_conventions.md）：

• 精确 P 值优先于范围表述（P=0.032 优于 P<0.05）
• 区分主要终点 P 值与次要终点 P 值
• 标注多重性校正方法（如 Bonferroni, Hierarchical testing）
• 亚组分析记录交互 P 值，非各组分别 P 值

维度 6：基线特征关键数据

维度 7：安全性关键数据

阶段三：数据质量自检（E - Embed the Theory）

目标：确保提取数据的准确性和完整性。

自检清单（基于 CONSORT 2010 / ICH E6(R3) 标准）：

• P 值是否准确对应主要终点？（非次要终点、非亚组分析、非事后分析）
• 样本量是否区分了 Randomized / ITT / Safety 人群？
• 效应量与 CI 是否匹配一致？
• 入排标准是否来自最终方案而非早期方案？
• 基线数据是否来自 Table 1 而非正文描述？
• 安全性数据是否标注了评估人群（Safety Population）？

不确定性标记： 若某字段在文献中无法明确提取，以 ⚠️ 未明确报告 标记，不得臆造数据。 若存在歧义（如两种可能的解读），以 ⚠️ 待确认：[具体歧义描述] 标记。

阶段四：结构化输出（S - Set the Format）

目标：将提取数据按规范格式输出为结构化表格。

输出格式 1：单篇文献数据卡片（默认）

## 📋 文献核心数据卡片

### 基本信息
| 字段 | 内容 |
|------|------|
| 研究简称 | EMPA-REG OUTCOME |
| 标题 | Empagliflozin, Cardiovascular Outcomes, and Mortality in Type 2 Diabetes |
| 第一作者 / 通讯作者 | Zinman B / 无标注 |
| 期刊 | N Engl J Med |
| 年份 | 2015 |
| PMID / DOI | 26378978 / 10.1056/NEJMoa1504720 |
| 研究类型 | RCT, Phase III |
| 注册号 | NCT01131676 |

### 研究设计与样本
| 字段 | 内容 |
|------|------|
| 盲法 | Double-blind |
| 随机化 | 1:1:1 (Empa 10mg : Empa 25mg : Placebo) |
| 多中心 | 是，42 个国家 590 个中心 |
| 总样本量 | 7,020 (Randomized) |
| 各组样本量 | Empa 10mg: 2,345; Empa 25mg: 2,342; Placebo: 2,333 |
| 关键入组标准 | T2DM, HbA1c 7.0-10.0%, eGFR ≥30, 确诊CVD, ≥18岁 |
| 关键排除标准 | eGFR <30, 严重肝病, 未控制高血压 |
| 中位随访 | 3.1 年 |

### 疗效数据（主要终点）
| 字段 | 内容 |
|------|------|
| 主要终点定义 | 3P-MACE: CV 死亡 + 非致死性MI + 非致死性卒中 |
| Empa 组发生率 | 10.5% (490/4,687) |
| Placebo 组发生率 | 12.1% (282/2,333) |
| HR (95% CI) | 0.86 (0.74-0.99) |
| P 值 | P=0.04 (优效性) |
| 是否达统计学意义 | 是 (P<0.05) |

### 关键次要终点
| 终点 | HR (95% CI) | P 值 |
|------|-------------|------|
| CV 死亡 | 0.62 (0.49-0.77) | P<0.001 |
| 全因死亡 | 0.68 (0.57-0.82) | P<0.001 |
| 心衰住院 | 0.65 (0.50-0.85) | P=0.002 |

### 安全性（关键指标）
| 指标 | Empa 汇总 (%) | Placebo (%) |
|------|:------------:|:-----------:|
| Any AE | — | — |
| SAE | — | — |
| 因AE停药 | — | — |

⚠️ 未明确报告: Any AE 发生率在正文中未以具体百分比呈现

输出格式 2：多篇文献对比表（用户明确指定多篇时使用）

## 📊 多篇文献核心数据对比

### 研究设计对比
| | Study 1 | Study 2 | Study 3 |
|---|---------|---------|---------|
| 研究简称 | EMPA-REG | DECLARE-TIMI 58 | DAPA-HF |
| 期刊/年份 | NEJM/2015 | NEJM/2019 | NEJM/2019 |
| 研究设计 | RCT, DB, Ph3 | RCT, DB, Ph3 | RCT, DB, Ph3 |
| 总 N | 7,020 | 17,160 | 4,744 |
| 中位随访 | 3.1y | 4.2y | 1.5y |

### 主要终点对比
| | Study 1 | Study 2 | Study 3 |
|---|---------|---------|---------|
| 主要终点 | 3P-MACE | MACE + 心衰住院 | CV死亡 + 心衰恶化 |
| HR (95% CI) | 0.86 (0.74-0.99) | 0.93 (0.84-1.03) | 0.74 (0.65-0.85) |
| P 值 | 0.04 | 0.17 | <0.001 |

### 入排标准对比
| | Study 1 | Study 2 | Study 3 |
|---|---------|---------|---------|
| 关键入组 | T2DM+确诊CVD | T2DM+CVD或MRF | HFrEF (EF≤40%) |
| eGFR 下限 | ≥30 | ≥60 (CrCl) | ≥30 |
| HbA1c | 7.0-10.0% | 6.5-12.0% | — |

输出格式 3：ppt-generator 桥接格式（可选）

当用户明确需要衔接 ppt-generator 时，额外输出一份键值对 JSON：

{
  "study_meta": {
    "acronym": "EMPA-REG OUTCOME",
    "title_short": "Empagliflozin CV Outcomes in T2DM",
    "journal_year": "NEJM 2015",
    "design": "RCT, Double-blind, Phase III"
  },
  "key_numbers": {
    "total_n": "7,020",
    "follow_up": "3.1 years",
    "primary_endpoint": "3P-MACE",
    "hr": "0.86",
    "ci": "0.74-0.99",
    "p_value": "0.04",
    "interpretation": "Empagliflozin 显著降低 3P-MACE 风险 14%"
  },
  "slide_takeaway": "对于合并 CVD 的 T2DM 患者，恩格列净在标准治疗基础上显著降低主要心血管不良事件风险 14% (HR 0.86, 95% CI 0.74-0.99, P=0.04)，需治疗 3.1 年。"
}

阶段五：用户反馈与异常处理（F — Design Feedback）

常见异常与处理

用户自定义字段

若用户在提示词中指定了额外提取字段（如特定生物标志物、特定不良事件）， 在标准输出表后追加"用户自定义字段"部分，按相同格式处理。

技术实现要点

文献文本提取工具

PDF 处理：

# 优先使用 pdfplumber（更好的表格/列识别）
pip install pdfplumber

# 备选：PyPDF2
pip install PyPDF2

DOCX 处理：

pip install python-docx

数据提取策略

1. 关键词定位：在 Methods 段搜索 "primary endpoint", "sample size", "eligibility"
2. 模式匹配：P 值正则 Ps*[=<]s*0?.d+, HR/OR/RR 正则 (HR|OR|RR)s*[=:]s*d+.d+
3. 上下文提取：提取关键数字前后 2-3 句作为验证上下文
4. 表格优先：样本量和基线特征以 Table 1 为权威来源

依赖项

• Python 3.9+
• pdfplumber（PDF 文本提取）
• python-docx（DOCX 文本提取）
• PyPDF2（PDF 备选方案）

更新日志

v1.0 (2026-07-06)

• 初始版本：七大维度数据提取框架
• 白名单输入安全机制
• 三种输出格式（单篇卡片、多篇对比、ppt-generator 桥接）
• 基于 STEPS-PRO 框架设计