循证医学情报官

定位与价值

本 Skill 是一个循证医学情报智能体，定位为文献综述撰写编排层——在 PubMed 文献检索基础上， 完成从文献筛选、证据提取、质量评估到结构化综述报告生成的全流程编排。

与已有 Skills 的关系：

• pubmed-literature-search / 临床医学文献检索系统：负责检索、JCR 匹配、排序，是数据来源层
• 循证医学情报官（本 Skill）：调用检索能力后，完成更高层级的综述撰写与证据综合

核心价值：将一篇系统文献综述的生产周期从传统人工的 2–4 周压缩至约 2 小时初稿完成， 同时将 PubMed 检索覆盖度从人工的 60–70% 提升至 95%+。

触发条件

当用户需求涉及以下任一场景时，触发本 Skill：

1. 新品上市医学准备：需要某疾病领域的系统性证据地图（Evidence Landscape）
2. 医学策略制定：需要定位研究空白（Research Gap）和差异化证据
3. MSL/KOL 学术沟通：需要某产品或治疗领域的结构化文献支撑
4. 竞品医学情报：需要竞品相关临床证据的系统梳理
5. 指南更新追踪：需要追踪最新临床研究对指南的影响
6. 疾病领域综述：需要某疾病领域的全面文献综述（非单一检索需求）

不应触发的情况：

• 用户仅要求"检索某主题的文献"或"找几篇相关文章" → 使用 pubmed-literature-search
• 用户已有明确文章列表，仅需生成引用格式 → 不属于本 Skill 范围

工作流程

阶段一：需求结构化（S - Specify the Goal）

目标：将用户的业务需求转化为可执行的循证研究问题。

执行步骤：

1. 识别需求类型（新品上市 / 医学策略 / KOL沟通 / 竞品情报 / 领域综述 / 指南追踪）

2. 角色推断：若用户未明确说明自身角色，按以下规则推断默认角色：

   • 需求类型为"新品上市医学准备"或"领域综述" → 默认角色为 医学顾问 (MA)
   • 需求类型为"KOL沟通" → 默认角色为 MSL
   • 需求类型为"竞品情报" → 默认角色为 产品经理 (PM)
   • 无法推断时 → 主动询问用户角色，提示可选：MSL / MA / MI / PM / Mkt
   • 推断结果需在交互中向用户确认（"我将以[角色]视角撰写综述，如需调整请告知"）

3. 提取关键要素：疾病领域、产品/干预、对照/竞品、目标人群、关注结局

4. 使用 PICO(S) 框架 将需求结构化为研究问题：

   • P (Population): 目标患者人群
   • I (Intervention): 干预/暴露因素
   • C (Comparison): 对照/比较对象
   • O (Outcome): 结局指标
   • S (Study Design): 研究设计类型（可选）

5. 将结构化的研究问题呈现给用户确认，同时确认以下参数：

   • 时间范围（默认近 5 年）
   • 研究类型偏好（RCT / Meta-Analysis / RWE / Guidelines / All）
   • JCR 分区筛选（默认 Q1+Q2）
   • 报告深度（快速综述 / 标准综述 / 深度综述，对应 Top 20/50/100 篇核心文献）

输出：一份结构化的研究问题列表 + 检索参数配置，等待用户确认。

阶段二：系统检索（T - Task Decomposition — 检索执行）

目标：基于确认的研究问题，执行系统化 PubMed 检索。

执行步骤：

1. 检索词构建：基于 PICO 要素构建 PubMed 检索式
   • MeSH 术语映射（参考 references/mesh_terms_guide.md）
   • 自由词与同义词补充
   • 布尔运算符组合（AND/OR/NOT）
   • 研究类型过滤器（Clinical Trial, Meta-Analysis, RCT, Review, etc.）
   • 时间范围过滤器
2. 展示检索式给用户确认（此步骤不可跳过）
3. 执行检索：调用 PubMed Entrez API 执行检索
   • 优先使用现有的 临床医学文献检索系统 Skill 中的脚本（search_pubmed.py）
   • 若该 Skill 不可用，直接使用 Python + Entrez API
4. JCR 匹配与初筛：
   • 加载 JCR 数据（详见 references/jcr_config.md）
   • 按 JCR 分区加权排序
   • 按配置的研究类型筛选
   • 按配置的分区要求筛选（默认 Q1+Q2）

输出：初筛后的文献列表（JSON 格式），包含 PMID、标题、期刊、年份、JCR分区、摘要。

阶段三：文献筛选（PRISMA 流程）

目标：按照 PRISMA 2020 声明执行系统化文献筛选。

执行步骤：

1. 去重：基于 PMID 和标题相似度去重
2. 标题/摘要筛选：基于纳入/排除标准执行第一轮筛选
   • 纳入标准：与研究问题直接相关、符合研究类型要求、有人类受试者数据
   • 排除标准：病例报告（除非特别需要）、会议摘要（无全文）、非英文文献（除非特别指定）、无法获取摘要
3. 全文筛选（基于摘要深度分析）：第二轮筛选
   • 研究设计质量（样本量、方法学、结局指标完整性）
   • 与研究问题的匹配度评分（1–5 分）
   • 证据相关性评级
4. 生成 PRISMA 流程图数据：记录每轮筛选的数量和排除原因

输出：

• PRISMA 流程图数据
• 纳入综述的核心文献列表（数量取决于报告深度）

阶段四：证据提取与评估（E - Embed the Theory）

目标：从纳入文献中系统提取关键证据并进行质量评估。

执行步骤：

1. 数据提取：对每篇纳入文献提取以下要素：

   • 研究设计、样本量、人群特征
   • 干预/暴露方案
   • 主要终点与关键次要终点结果
   • 安全性数据（如适用）
   • 作者结论与局限性

2. 证据质量评估：

   • RCT：使用 Cochrane RoB 2.0 评估偏倚风险
   • 观察性研究：使用 NOS (Newcastle-Ottawa Scale) 评估
   • 系统评价/Meta分析：使用 AMSTAR 2 评估
   • 整体证据体：使用 GRADE 框架评级（高/中/低/极低）

3. 证据表生成：汇总关键研究的证据表（Evidence Table）

输出：

• 证据提取矩阵（JSON）
• GRADE 证据质量评级
• 证据表（Markdown 表格）

阶段五：结构化综述撰写（P + S — 语境提供与格式设定）

目标：将证据综合为符合医药行业标准的专业综述报告。

执行步骤：

1. 主题分类与证据综合：

   • 按治疗线数、药物类别、结局类型、研究设计等维度进行主题分组
   • 对每组证据进行叙事性综合（Narrative Synthesis）
   • 识别证据一致性与差异性
   • 标注研究空白和未满足需求

2. 撰写结构化综述报告，按以下固定结构：

   报告结构 (assets/review_template.md)：

   1. 执行摘要（Executive Summary）
      - 关键发现 3–5 条
      - 临床实践意义
      - 推荐行动项
   
   2. 背景与目的
      - 疾病领域概述
      - 综述目的与研究问题
   
   3. 检索策略
      - 数据库与检索式
      - 纳入/排除标准
      - 检索时间范围
   
   4. PRISMA 流程图（文字描述 + 数据）
      - 各阶段筛选数量与排除原因
   
   5. 证据综合（按主题分类）
      - 主题1：疗效证据
      - 主题2：安全性证据
      - 主题3：特殊人群证据
      - 主题4：真实世界证据（如适用）
      - 主题5：指南推荐
   
   6. 证据质量评估
      - GRADE 评级汇总表
      - 关键研究的偏倚风险评估
   
   7. 研究空白与未来方向
      - 当前证据的局限性
      - 正在进行的临床试验
      - 推荐的未来研究方向
   
   8. 临床意义与建议
      - 对临床实践的影响
      - 对产品策略的影响
   
   9. 参考文献
      - 按 AMA/Vancouver 格式
   
   10. 附录
       - 详细证据表
       - 检索策略完整记录
   

3. 格式规范：

   • 输出为 Markdown 报告文件
   • 支持导出为 Word/PDF（由用户后续决定）
   • 表格使用 Markdown 原生表格语法
   • 引用使用 [序号] 标记

输出：完整的结构化文献综述报告（Markdown 文件）

阶段六：质量审核（F — 反馈与异常处理）

目标：确保综述报告的专业性和完整性。

审核清单：

• 检索策略是否完整可复现？
• PRISMA 流程是否完整记录？
• 证据评级是否遵循 GRADE 标准？
• 结论是否有证据支撑且无过度推断？
• 参考文献格式是否统一？
• 是否声明了利益冲突和局限性？

各角色定制化输出

根据用户角色不同，调整综述报告的侧重点：

技术实现要点

PubMed API 调用

使用 NCBI Entrez API：

• 检索接口：ESearch → 获取 PMID 列表与 Count
• 摘要获取：EFetch (rettype=abstract, retmode=xml) → 每次最多 200 条
• 速率控制：无 API Key ~3 req/s，有 Key ~10 req/s
• 建议配置 NCBI_API_KEY 环境变量以提升速率

JCR 数据集成

• 若 临床医学文献检索系统 Skill 已配置 JCR 数据文件，直接使用其 jcr_matcher.py 脚本
• 若不可用，查阅 references/jcr_config.md 获取独立配置方式

依赖项

• Python 3.9+
• biopython（Entrez API）
• openpyxl（JCR Excel 读取，若使用 JCR 数据）

异常处理与降级策略

更新日志

v1.1 (2026-07-03)

• P0 修复：scripts/synthesize_review.py — 完善异常处理（文件I/O、空输入校验、PICO配置校验、退出码规范化）
• P1 新增：阶段一角色默认值规则——需求类型 → 默认角色推断（新品上市→MA，KOL沟通→MSL，竞品情报→PM）
• P1 新增：references/config.json — 集中管理检索/筛选/报告/角色/Token限制等默认参数
• P2 新增：assets/keyword_config.json — 中英文研究设计术语、结局指标关键词外部化配置
• P2 增强：synthesize_review.py 中文研究设计术语识别（meta分析、随机对照、队列研究等）
• P2 增强：异常处理表新增 Token 超限、断点续传、格式无效三项处理策略