Pagsusuri sa Panitikan at Botikang Nakabatay sa Katibayan

Mga nadagdag:

• Kakayahang buuin ang klinikal na tanong at magsagawa ng pagsusuri sa panitikan, buod at pagsasama-sama ng ebidensya na may artipisyal na katalinuhan
• Kakayahang pamahalaan ang panganib ng mga gawa-gawang sanggunian (mga guni-guni) sa pamamagitan ng pagkumpirma sa bawat mapagkukunan na ibinigay ng artificial intelligence kasama ang DOI at ang orihinal na artikulo
• Kakayahang kritikal na basahin ang abstract ng AI, pagtatasa sa antas ng ebidensya, salungatan ng interes, at pagiging maagap

Ang parmasya ay isang propesyon na ang kaalaman ay patuloy na binabago; Ang isang dosis o rekomendasyon na alam nang tama kahapon ay maaaring magbago sa isang bagong pag-aaral. Ang parmasya na nakabatay sa ebidensya ay nangangahulugan ng pagsagot sa isang tanong gamit ang pinakabago at maaasahang siyentipikong ebidensya. Ngunit ang siyentipikong panitikan ay napakalaki at nakakalat; Madaling ma-overwhelm ng daan-daang artikulo kapag naghahanap ng sagot sa isang tanong. Ang artificial intelligence ay isang mahusay na tulong sa pag-scan at pagbubuod dito: nakakatulong ito sa pagbuo ng isang tanong, pagbuo ng mga termino para sa paghahanap, pagbubuod ng mahabang text. Ngunit ang pinaka-mapanganib na pagkakamali ng artificial intelligence ay tiyak sa lugar na ito: maaari itong gumawa ng mga artikulo at DOI na wala. Sa unit na ito, matututuhan mong gumamit ng artificial intelligence bilang isang ligtas, validated na tool sa pagsusuri sa panitikan.

Mga hakbang ng diskarteng nakabatay sa ebidensya

Sinasagot ang isang tanong na batay sa ebidensya gamit ang mga hakbang na ito:

1. Istruktura ang tanong. Ang isang magandang klinikal na tanong ay kadalasang nakabalangkas sa balangkas ng PICO: Pasyente/Populasyon (Pasyente), Pamamagitan, Paghahambing, Kinalabasan. Halimbawa: "Paano nakakaapekto ang gamot X (I) sa panganib ng hypoglycemia (O) kumpara sa gamot Y (C) sa mga matatandang may type 2 diabetes (P)?"
2. Maghanap ng ebidensya. Maghanap ng mga naaangkop na database at mapagkukunan.
3. Suriin ang ebidensya. Uri ng pag-aaral, kalidad, laki ng sample at panganib ng bias.
4. Mag-apply at subaybayan. Iangkop ang natuklasan sa konteksto ng pasyente.

Ang AI ay partikular na mabilis sa mga hakbang 1 at 3 (pag-istruktura ng tanong at pagtulong sa pagsusuri ng isang teksto); ngunit ang hakbang 2 (sourcing) ay nangangailangan ng kritikal na pag-verify.

hierarchy ng ebidensya

Hindi lahat ng ebidensya ay pantay. Isang pangkalahatang hierarchy:

Antas ng ebidensya

halimbawa

kapangyarihan

pinakamataas

Systematic na pagsusuri, meta-analysis

Kumbinasyon ng maraming pag-aaral

mataas

Randomized na kinokontrol na pagsubok (RCT)

Kinokontrol, mababang bias

daluyan

Cohort, case-control

Obserbasyonal, panganib ng nakakalito na mga kadahilanan

mababa

Serye ng kaso, opinyon ng eksperto

Limitadong generalizability

pinakamababa

Anecdotal, hindi na-verify na nilalaman ng web

Mahina ang evidentiary value

Kapag nagbubuod ng paghahanap, maaaring malito ng AI ang antas ng ebidensya o ipakita ang mahinang pinagmulan bilang malakas. Lagi mong kinokontrol ang antas.

Bukod pa rito, maaaring may magkasalungat na pag-aaral sa parehong paksa. Minsan lang i-highlight ng AI ang isang panig at huwag pansinin ang isa pa; ito ay tinatawag na "selective presentation". Ang isang matatag na pagtatasa ng ebidensya ay naghahanap ng pangkalahatang kalakaran sa paksa (kung ano ang pagkakatulad ng maraming pag-aaral) at isang kasalukuyang sistematikong pagsusuri kung magagamit. Ang pagbabago ng kasanayan batay sa iisang pag-aaral, lalo na ang isang maliit na sample o single-center na pag-aaral, ay mapanganib. Ang pagtatanong sa AI "may magkasalungat bang natuklasan sa isyung ito, kung aling panig ang may mas malakas na ebidensya" ay isang magandang paraan upang balansehin ang isang panig na buod; Ngunit ang panghuling pagtimbang ay gagawin mo sa pamamagitan ng pagbabasa ng mga orihinal na mapagkukunan.

Babala: Maaaring gumawa ang AI ng ganap na gawa-gawang mga sanggunian na may makatotohanang pamagat, pangalan ng may-akda, journal at DOI; ito ay tinatawag na "reference hallucination". Huwag banggitin ang isang pinagmulan nang hindi binubuksan ang DOI sa orihinal na database/journal at tinitingnan ang nilalaman nito.

tatlong mini case

Kaso 1 — Made-up na DOI. Humingi ang isang parmasyutiko sa AI para sa isang mapagkukunan sa pagiging epektibo ng isang gamot; ang artificial intelligence ay nagbunga ng tatlong artikulo at DOI. Nang sinubukan ng parmasyutiko na buksan ang mga DOI, natagpuan niya na ang dalawa ay hindi tumutugma sa anumang mga rekord; ang isa ay totoo ngunit nag-ulat ng ibang resulta. Ginamit lamang ng parmasyutiko ang aktwal na artikulo na na-verify niya. Kung walang pag-verify, dalawang fictitious source ang isasama sa isang ulat.

Case 2 — Maghanap gamit ang PICO. Ang isang parmasyutiko ay nagsasaliksik sa paghahambing sa kaligtasan ng dalawang pangpawala ng sakit sa mga matatanda. Hiniling niya sa AI na itapon ang tanong sa PICO at bumuo ng mga termino para sa paghahanap. Nagbigay ang AI ng malinaw na mga termino at kasingkahulugan; Gamit ang mga ito, ang parmasyutiko mismo ang nagsagawa ng aktwal na paghahanap sa kilalang database at sinuri ang mga resulta. Pinabilis ng artificial intelligence ang paghahanap; Natagpuan ng parmasyutiko ang mga mapagkukunan at binasa ang mga ito.

Kaso 3 — Pagbaluktot ng buod. Ang isang parmasyutiko ay may isang tunay na artikulo na buod ng artificial intelligence. Ang abstract ay nag-claim na ang pag-aaral ay nagpakita ng "malinaw na kahusayan"; ngunit ang artikulo mismo ay nagsabi na ang resulta ay "hindi umabot sa istatistikal na kahalagahan." Binasa ng parmasyutiko ang orihinal na teksto, napansin ang pagbaluktot, at itinuwid ang buod. Ang buod ng AI ay pinalaki; Ang pagbabalik sa pinagmulan ay nagsiwalat ng katotohanan.

Kaso 4 — Nawawala ang paksa. Nakatanggap ang isang parmasyutiko ng impormasyon mula sa artificial intelligence tungkol sa inirerekomendang paggamit ng isang gamot. Ang sagot ay tila makatwiran, ngunit batay sa isang gabay mula sa ilang taon na ang nakakaraan; Gayunpaman, ang rekomendasyon ay na-update na. Nang buksan ng parmasyutiko ang na-update na gabay, nakita niya ang pagkakaiba at kinuha ang bagong rekomendasyon bilang batayan. Dahil ang kaalaman ng AI ay nagyelo sa isang tiyak na petsa, hindi nito malalaman ang pinakabagong pagbabago; Ang up-to-dateness checking ay nagsara sa puwang na ito.

Hakbang-hakbang na screening batay sa ebidensya

1. I-frame ang tanong gamit ang PICO. Populasyon, interbensyon, paghahambing, kinalabasan.
2. Bumuo ng mga termino para sa paghahanap. Kumuha ng mga keyword at kasingkahulugan mula sa artificial intelligence.
3. Gumawa ka ng totoong tawag. Maghanap ng kilalang database/pinagmulan; "Paggawa" ng mga mapagkukunan sa AI.
4. I-verify ang bawat pinagmulan. Buksan ang DOI, totoo ba ang may-akda/journal/taon, sinusuportahan ba ng nilalaman ang claim?
5. Suriin ang antas ng ebidensya. Uri ng trabaho, kalidad, salungatan ng interes, pagiging maagap.
6. I-contextualize at i-save. I-link ang paghahanap sa pasyente/tanong, record source.

Mahinang prompt / Malakas na prompt

Mahina: "Epektibo ba ang gamot na ito, magbigay ng mapagkukunan."

Strong: "Ibuo ang sumusunod na klinikal na tanong sa balangkas ng PICO: [tanong]. Pagkatapos ay bumuo ng mga epektibong termino para sa paghahanap at kasingkahulugan para sa tanong na iyon. HUWAG gumawa ng pinagmulan/artikulo; sabihin sa akin kung anong uri ng pag-aaral (RCT, meta-analysis) at kung aling mga database ang dapat kong hanapin sa halip. Kung pangalanan mo ang isang pinagmulan, ang tag na 'hindi na-verify, ay dapat kumpirmahin sa DOI'."

Sa malakas na prompt, malinaw ang balangkas, hangganan at kundisyon ng pag-verify; Ang AI ay hindi napipilitang gumawa ng mga mapagkukunan.

Apat na maaaring kopyahin na mga template

Gawain: I-plot ang klinikal na tanong sa PICO.Tanong: [...]. Output: P (populasyon), I (panghihimasok), C (paghahambing), O (kinalabasan), at isang isang pangungusap na nakabalangkas na tanong sa pananaliksik.

Gawain: Bumuo ng termino para sa paghahanap (FITTING source).Subject: [...]. Output: mga keyword + kasingkahulugan + iminungkahing uri ng pag-aaral. Credit/DOI; Sabihin mo lang kung paano tumawag.

Gawain: Ibuod ang tekstong ito nang walang kinikilingan (walang pagmamalabis).Text: [article]. Output: layunin, pamamaraan, sample, pangunahing paghahanap, mga hadlang, konklusyon. Pagpapahayag ng resulta MAS MALAKAS kaysa sa sinasabi ng teksto; panatilihin ang kawalan ng katiyakan.

Gawain: Gumawa ng reference verification checklist.Reference: [...]. Pagbukud-bukurin ayon sa: pagbubukas ng DOI? May hawak ba ang may-akda/journal/taon? Sinusuportahan ba ng content ang claim? Ano ang antas ng ebidensya? May conflict of interest ba?

Mga karaniwang pagkakamali

• Sinipi ang DOI na ibinigay ng artificial intelligence nang hindi ito binubuksan. Ang panganib ng reference hallucination ay ang pinakamalaking panganib.
• Pinapalitan ang buod para sa pinagmulan. Para sa isang kritikal na paghahabol, dapat bumalik ang isa sa orihinal na teksto.
• Nakakalito sa antas ng ebidensya. Ang opinyon ng eksperto at meta-analysis ay walang parehong timbang.
• Nilaktawan ang pag-update. Ang isang mas lumang pag-aaral ay maaaring sumalungat sa kasalukuyang patnubay; Dapat suriin ang petsa.
• Tinatanaw ang conflict of interest. Ang pagpopondo at deklarasyon ng interes ay nakakaimpluwensya sa interpretasyon.

Sa buod

Ang artificial intelligence ay isang makapangyarihang accelerator para sa pagbubuo ng mga tanong, pagbuo ng mga termino para sa paghahanap, at pagbubuod ng mahahabang teksto sa mga paghahanap sa panitikan. Ngunit ang pinaka-mapanganib na pagkakamali nito, ang referential hallucination, ay nangyayari sa lugar na ito: maaari itong gumawa ng mga mapagkukunan na mukhang makatotohanan ngunit wala. Kaya gawin ang aktwal na paghahanap sa iyong sarili, i-verify ang bawat pinagmulan sa DOI, ihambing ang mga abstract sa orihinal na teksto, at kritikal na suriin ang antas ng ebidensya. Ang huling interpretasyon ng ebidensya at ang pagbagay nito sa pasyente ay nakasalalay sa parmasyutiko.

Gawain ng aplikasyon

Pumili ng isang klinikal na tanong mula sa iyong sariling pagsasanay at ipasalin ito sa AI sa PICO. Kunin ang mga termino para sa paghahanap at gawin ang aktwal na paghahanap sa iyong sarili sa isang kinikilalang database. Magtanong sa AI ng ilang "mga mapagkukunan" sa paksa at subukang buksan ang DOI ng bawat isa; Pansinin kung ilan ang totoo at ilan ang binubuo. Panghuli, ipabuod sa AI ang isang tunay na artikulo, ihambing ang buod sa orihinal na resulta, at i-flag ang anumang mga pagbaluktot.

checklist

• [ ] Inayos ko ang tanong sa paligid ng PICO.
• [ ] Kinuha ko ang mga termino para sa paghahanap, ako mismo ang mismong naghanap.
• [ ] Binuksan ko ang bawat source gamit ang DOI at na-verify ang pagiging tunay nito.
• [ ] Inihambing ko ang mga buod sa orihinal na teksto.
• [ ] Sinuri ko ang antas ng ebidensya at pagiging maagap.
• [ ] Isinaalang-alang ko ang conflict of interest.
• [ ] Nag-save ako ng mga na-verify na mapagkukunan.