بررسی ادبیات و داروسازی مبتنی بر شواهد

سود:

• توانایی ساختار سوال بالینی و انجام بررسی متون، خلاصه و گردآوری شواهد با هوش مصنوعی
• امکان مدیریت ریسک ارجاعات ساختگی (توهم) با تایید هر منبع داده شده توسط هوش مصنوعی با DOI و مقاله اصلی
• توانایی خواندن انتقادی چکیده هوش مصنوعی، ارزیابی سطح شواهد، تضاد منافع و به موقع بودن

داروسازی حرفه ای است که دانش آن دائماً تجدید می شود. دوز یا توصیه ای که دیروز به درستی شناخته شده بود ممکن است با یک مطالعه جدید تغییر کند. داروسازی مبتنی بر شواهد به معنای پاسخ به یک سوال با جدیدترین و معتبرترین شواهد علمی است. اما ادبیات علمی عظیم و پراکنده است. وقتی به دنبال پاسخی برای یک سوال هستید، غرق شدن در صدها مقاله آسان است. هوش مصنوعی در اینجا یک کمک اسکن و خلاصه سازی قدرتمند است: به ساختار یک سؤال، تولید عبارات جستجو، خلاصه کردن یک متن طولانی کمک می کند. اما خطرناک‌ترین اشتباه هوش مصنوعی دقیقاً در این زمینه است: می‌تواند مقالات و DOIهایی را بسازد که وجود ندارند. در این بخش، یاد خواهید گرفت که از هوش مصنوعی به عنوان یک ابزار مطمئن و معتبر در بررسی ادبیات استفاده کنید.

مراحل رویکرد مبتنی بر شواهد

یک سوال مبتنی بر شواهد با این مراحل پاسخ داده می شود:

1. ساختار سوال یک سؤال بالینی خوب اغلب با چارچوب PICO تنظیم می شود: بیمار/جمعیت (بیمار)، مداخله، مقایسه، نتیجه. به عنوان مثال: "داروی X (I) چگونه بر خطر هیپوگلیسمی (O) در مقایسه با داروی Y (C) در افراد مسن مبتلا به دیابت نوع 2 (P) تأثیر می گذارد؟
2. دنبال شواهد باشید جستجو در پایگاه های داده و منابع مناسب
3. شواهد را ارزیابی کنید. نوع مطالعه، کیفیت، حجم نمونه و خطر سوگیری.
4. اعمال و نظارت کنید. یافته را با شرایط بیمار تطبیق دهید.

هوش مصنوعی به ویژه در مراحل 1 و 3 سریع است (ساختار سؤال و کمک به ارزیابی یک متن). اما مرحله 2 (منبع یابی) نیاز به تأیید حیاتی دارد.

سلسله مراتب شواهد

همه شواهد برابر نیستند. سلسله مراتب کلی:

سطح شواهد

مثال

قدرت

بالاترین

مرور سیستماتیک، متاآنالیز

ترکیبی از مطالعات متعدد

بالا

کارآزمایی تصادفی کنترل شده (RCT)

کنترل شده، تعصب کم

متوسط

کوهورت، مورد شاهدی

مشاهده ای، خطر عوامل مخدوش کننده

پایین

سری پرونده، نظر کارشناسی

تعمیم پذیری محدود

پایین ترین

حکایتی، محتوای وب تایید نشده

ارزش اثباتی ضعیف

هنگام جمع بندی یک یافته، هوش مصنوعی ممکن است سطح شواهد را اشتباه بگیرد یا یک منبع ضعیف را قوی معرفی کند. شما همیشه سطح را کنترل می کنید.

علاوه بر این، ممکن است مطالعات متناقضی در مورد یک موضوع وجود داشته باشد. هوش مصنوعی گاهی اوقات فقط می تواند یک طرف را برجسته کند و طرف دیگر را نادیده بگیرد. این "ارائه انتخابی" نامیده می شود. یک ارزیابی شواهد قوی به دنبال روند کلی در موضوع (آنچه در بسیاری از مطالعات مشترک است) و یک بررسی سیستماتیک فعلی در صورت وجود است. تغییر روش بر اساس یک مطالعه واحد، به ویژه مطالعه نمونه کوچک یا تک مرکزی، خطرناک است. پرسیدن از هوش مصنوعی "آیا یافته های متناقضی در مورد این موضوع وجود دارد، کدام طرف شواهد قوی تری دارد" راه خوبی برای متعادل کردن یک خلاصه یک طرفه است. اما توزین نهایی توسط شما با مطالعه منابع اصلی انجام می شود.

احتیاط: هوش مصنوعی ممکن است ارجاعات کاملاً ساختگی با عنوان واقعی، نام نویسنده، مجله و DOI تولید کند. به این "توهم مرجع" می گویند. هرگز منبعی را بدون باز کردن DOI در پایگاه داده/ژورنال اصلی و مشاهده محتوای آن ذکر نکنید.

سه کیف کوچک

مورد 1 - DOI ساخته شده. یک داروساز از هوش مصنوعی منبعی در مورد اثربخشی یک دارو خواست. هوش مصنوعی سه مقاله و DOI به دست آورد. وقتی داروساز سعی کرد DOI ها را باز کند، متوجه شد که دو مورد با هیچ رکوردی مطابقت ندارند. یکی واقعی بود اما نتیجه متفاوتی را گزارش کرد. داروساز فقط از مقاله واقعی استفاده کرد که تأیید کرده بود. بدون تأیید، دو منبع ساختگی در یک گزارش گنجانده می‌شود.

مورد 2 - جستجو با PICO. یک داروساز در حال تحقیق در مورد مقایسه ایمنی دو مسکن در افراد مسن بود. او از هوش مصنوعی خواست تا سوال را در PICO بیاندازد و عبارات جستجو را ایجاد کند. هوش مصنوعی اصطلاحات و مترادف های واضحی را ارائه کرد. با اینها، خود داروساز جستجوی واقعی را در پایگاه داده معروف انجام داد و نتایج را ارزیابی کرد. هوش مصنوعی جستجو را تسریع کرده است. داروساز منابع را پیدا کرد و خواند.

مورد 3 - تحریف خلاصه. یک داروساز یک مقاله واقعی داشت که توسط هوش مصنوعی خلاصه شده بود. چکیده ادعا کرد که این مطالعه "برتری بی چون و چرا" را نشان می دهد. اما خود مقاله گفت که نتیجه "به معنی آماری نرسید." داروساز متن اصلی را خواند، متوجه تحریف شد و خلاصه را اصلاح کرد. خلاصه هوش مصنوعی اغراق کرده بود. بازگشت به منبع حقیقت را آشکار کرد.

مورد 4 - از دست دادن موضوع. یک داروساز اطلاعاتی را از هوش مصنوعی در مورد استفاده توصیه شده از یک دارو دریافت کرد. پاسخ معقول به نظر می رسید، اما بر اساس راهنمای چند سال پیش بود. با این حال، توصیه از آن زمان به روز شده است. هنگامی که داروساز راهنمای به روز شده را باز کرد، تفاوت را دید و توصیه جدید را مبنا قرار داد. از آنجایی که دانش هوش مصنوعی در یک تاریخ مشخص ثابت شده بود، نمی‌توانست جدیدترین تغییر را بداند. بررسی به روز بودن این شکاف را برطرف کرد.

غربالگری مبتنی بر شواهد مرحله به مرحله

1. سوال را با PICO قاب کنید. جمعیت، مداخله، مقایسه، نتیجه.
2. عبارات جستجو را ایجاد کنید. کلمات کلیدی و مترادف را از هوش مصنوعی دریافت کنید.
3. شما تماس واقعی را برقرار می کنید. جستجو در پایگاه داده/منبع معتبر؛ "ساخت" منابع برای هوش مصنوعی.
4. هر منبع را تأیید کنید. DOI را باز کنید، آیا نویسنده/ژورنال/سال واقعی است، آیا محتوا از ادعا پشتیبانی می کند؟
5. سطح شواهد را ارزیابی کنید. نوع کار، کیفیت، تضاد منافع، به موقع بودن.
6. زمینه سازی کنید و ذخیره کنید. پیوند یافتن به بیمار/سوال، منابع ثبت.

اعلان ضعیف / اعلان قوی

ضعیف: «آیا این دارو مؤثر است، منبع بدهید».

قوی: "سؤال بالینی زیر را در چارچوب PICO ساختار دهید: [سوال]. سپس عبارات جستجوی موثر و مترادف های آن سوال را ایجاد کنید. منبع/مقاله را تشکیل ندهید؛ به من بگویید چه نوع مطالعاتی (RCT، متاآنالیز) و کدام پایگاه داده را باید به جای آن جستجو کنم. اگر منبعی را نام می برید، برچسب "DOI تایید نشده است، باید تایید شود."

در اعلان قوی، چارچوب، مرز و شرایط تأیید واضح است. هوش مصنوعی مجبور به ساخت منابع نیست.

چهار قالب قابل کپی

وظیفه: سؤال بالینی را در PICO ترسیم کنید. سؤال: [...]. خروجی: P (جمعیت)، I (تداخل)، C (مقایسه)، O (نتیجه)، و یک سوال تحقیق ساختاریافته یک جمله ای.

وظیفه: ایجاد عبارت جستجو (منبع FITTING). موضوع: [...]. خروجی: کلمات کلیدی + مترادف + انواع مطالعه پیشنهادی. اعتبار/DOI; فقط بگو چجوری زنگ بزنم

وظیفه: این متن را بی طرفانه خلاصه کنید (بدون اغراق).متن: [مقاله]. خروجی: هدف، روش، نمونه، یافته اصلی، محدودیت ها، نتیجه گیری. بیان نتیجه قوی تر از آنچه متن می گوید. عدم قطعیت را حفظ کنید

وظیفه: تولید چک لیست تایید مرجع. مرجع: [...]. مرتب سازی بر اساس: باز شدن DOI؟ آیا نویسنده/ژورنال/سال معتبر است؟ آیا محتوا این ادعا را تایید می کند؟ سطح شواهد چقدر است؟ آیا تضاد منافع وجود دارد؟

اشتباهات رایج

• نقل قول DOI ارائه شده توسط هوش مصنوعی بدون باز کردن آن. خطر توهم مرجع بزرگترین خطر است.
• جایگزینی خلاصه به جای منبع برای یک ادعای انتقادی، باید به متن اصلی بازگشت.
• گیج شدن سطح شواهد نظر کارشناسی و متاآنالیز وزن یکسانی ندارند.
• رد شدن از به روز رسانی. یک مطالعه قدیمی‌تر ممکن است با راهنمای فعلی در تضاد باشد. تاریخ باید بررسی شود.
• نادیده گرفتن تضاد منافع تأمین مالی و اعلام بهره بر تفسیر تأثیر می گذارد.

به طور خلاصه

هوش مصنوعی شتاب‌دهنده‌ای قدرتمند برای ساختاربندی سؤالات، تولید عبارت‌های جستجو و خلاصه کردن متون طولانی در جستجوهای ادبیات است. اما خطرناک ترین خطای آن، توهم ارجاعی، در این زمینه رخ می دهد: می تواند منابعی تولید کند که واقع بینانه به نظر می رسند اما وجود ندارند. بنابراین جستجوی واقعی را خودتان انجام دهید، هر منبع را با DOI تأیید کنید، چکیده ها را با متن اصلی مقایسه کنید و سطح شواهد را به طور انتقادی ارزیابی کنید. تفسیر نهایی شواهد و انطباق آن با بیمار بر عهده داروساز است.

وظیفه کاربردی

یک سوال بالینی را از تمرین خود انتخاب کنید و از هوش مصنوعی بخواهید آن را به PICO ترجمه کند. عبارات جستجو را انتخاب کنید و جستجوی واقعی را خودتان در یک پایگاه داده شناخته شده انجام دهید. از هوش مصنوعی چند "منبع" در مورد موضوع بخواهید و سعی کنید DOI هر کدام را باز کنید. توجه داشته باشید که چه تعداد واقعی و چه تعداد ساخته شده است. در نهایت، از هوش مصنوعی بخواهید یک مقاله واقعی را خلاصه کند، خلاصه را با نتیجه اصلی مقایسه کنید و هرگونه تحریف را علامت گذاری کنید.

چک لیست

• [ ] من ساختار سوال را حول محور PICO تنظیم کردم.
• [ ] من عبارات جستجو را گرفتم، جستجوی واقعی را خودم انجام دادم.
• [ ] من هر منبع را با DOI باز کردم و صحت آن را تأیید کردم.
• [ ] خلاصه ها را با متن اصلی مقایسه کردم.
• [ ] من سطح شواهد و به موقع بودن را ارزیابی کردم.
• [ ] من تضاد منافع را در نظر گرفته ام.
• [ ] من منابع تایید شده را ذخیره کرده ام.