超说明书用药循证证据双模型审核

本技能用于医院药学部门的超说明书用药循证证据审核工作流：
输入文献信息 → 识别研究类型 → 双模型并行评价 → 差异对比 → 人工确认 → 输出Excel审核表。

工作流程总览

用户输入文献 → Step 1: 收集信息 → Step 2: 双厂商模型并行评价
                                         ├─ 模型A: DeepSeek   (Jadad/MINORS + Thomson)
                                         └─ 模型B: 火山方舟(豆包) (Jadad/MINORS + Thomson)
                                              ↓
                                    Step 3: 自动差异对比
                                              ↓
                                    Step 4: 生成Excel审核表
                                              ↓
                                    呈现给用户 → 人工复核确认

Step 1: 收集输入信息

向用户收集以下必填信息（缺一不可，缺失则逐一询问）：

研究类型自动识别

根据用户提供的文献信息自动判断研究类型：
- 描述为"随机对照""randomized controlled trial""RCT" → RCT
- 描述为"队列研究""病例对照""回顾性""观察性""单臂" → Non-RCT
- 描述为"Meta分析""荟萃分析""系统评价""systematic review" → Meta分析/系统评价
- 描述为"指南""guideline""共识""consensus" → 指南
- 描述为"病例报告""case report""个案" → 病例报告

识别后向用户确认再继续。

若用户上传PDF文件：使用 MarkItDown 将PDF转为文本后再提取上述信息。

Step 2: 双厂商模型并行评价

这是本技能的核心步骤。通过 scripts/run_dual_review.py 真正调用两个不同厂商的 API（DeepSeek + 火山方舟/豆包），对同一文献独立评价，互不干扰。不同厂商模型的训练数据与偏见不同，互查比同框架双变体更抗偏倚。

评价任务定义（两个Agent执行相同任务）

每个Agent执行以下4个子任务：

任务2.1 — 选择评价量表
- RCT → 使用 Jadad 量表（0-5分），参考 references/jadad_scale.md
- Non-RCT → 使用 MINORS 量表（前8条0-16分/全12条0-24分），参考 references/minors_scale.md
- Meta分析/系统评价 → 使用 AMSTAR2 核心条目 + Jadad评价纳入研究
- 指南 → 使用 AGREE II 关键维度评价
- 病例报告 → 直接评为低质量证据

任务2.2 — 逐条方法学质量评分
- 逐条打分，每条评分必须引用原文具体描述作为依据
- 强制要求：每条评分必须附带原文直接引语（英文文献需引用英文原文），不得只概括
- 强制要求：每条必须注明引语在原文中的具体位置（如"Abstract第2句""Methods第2.1段""Results第3.2段"等）
- 注明原文中哪一段话支持该评分
- 汇总总分和质量等级（高/中/低）
- RCT Jadad示例输出：
1. 随机序列产生：2分 原文出处："randomly assigned using a computer-generated random number table"（Methods第2段） 2. 随机化隐藏：1分 原文出处：原文提及"sealed envelopes"（Methods第2段），但未说明是否不透光 3. 盲法：2分 原文出处："double-blind, placebo-controlled"，描述了安慰剂制备过程"identical in appearance"（Methods第3段） 4. 撤出与退出：1分 原文出处："Of the 120 patients, 8 (6.7%) withdrew...reasons were..."（Results第1段） 总分：5分 — 高质量

⚠️ MINORS 易错点护栏（必须严格区分，避免模型误判）

• 条目7「失访率<5%」≠「疗效终点可评价人数」：
• "Loss to follow-up（失访）" 指患者失联、结局无法追踪（outcomes unknown / uncontactable）。
• 若研究描述所有患者均有明确的治疗终止/退出原因记录（如手术、疾病进展、撤回知情同意、疫情旅行限制等），即使仅部分患者可评价疗效（evaluable for efficacy），也不等于"失访"。
• 典型误判：看到 "only eight patients were evaluable for efficacy" 就判为"失访率高→0分"是错误的。该句只说明疗效终点数据不完整（attrition / 可评价性不足），不等于患者失联。
• 正确做法：去 Results/Discussion 中查找是否报告了每例患者的去向与原因。若全部有记录、无人失联 → 失访率=0%，应评 2 分（或按原文实际比例），并引用"all patients discontinued treatment including..."等原句。
• 仅在原文确实出现患者失联/无法追踪结局、或完全未描述失访情况时，才评 0 分。
• 条目6「随访时间充足」：以中位随访时间是否≥主要/关键次要终点的中位事件发生时间为准。若中位 OS 因随访不足而"not estimable"，可判为"部分充足(1分)"；若 PFS/ORR/DCR 等关键终点均已可估计，倾向于"充足(2分)"。该项 1↔2 均属可辩护区间，两模型可保留分歧。
• 条目2「纳入患者连贯性」：标准（年龄/分期/PS/器官功能等）报告充分即倾向 2 分；仅当完全未描述入排标准时才评 0 分。

任务2.3 — Thomson有效性分级

根据 references/thomson_classification.md 判定为 Class I/IIa/IIb/III：

关键边界：前瞻性单臂研究、非随机对照研究、队列研究、病例对照研究等均属于 Class IIa / B类；只有专家意见、个案报道、系列案例才归入 Class IIb / C类。

• 需引用原文数据支持分级结论
• 说明有效性和安全性证据的充分程度

任务2.4 — 提取关键证据摘要
- 提取研究的核心结论（含效果数据 + 安全性数据）
- 指南类证据：摘录与申请用法直接相关的推荐意见
- 摘要不超过200字
- 尽可能引用原文关键数据

并行执行方式（调用真实厂商 API）

通过 scripts/run_dual_review.py 真正调用两个不同厂商的 API，实现厂商级独立审核：

• 模型A：DeepSeek —— 调用 https://api.deepseek.com（OpenAI 兼容），默认模型 deepseek-chat（可改 deepseek-reasoner）
• 模型B：火山方舟(豆包) —— 调用 https://ark.cn-beijing.volces.com/api/v3（OpenAI 兼容），模型为你自己的 endpoint id（如 ep-2025xxxx）或可用模型名（如 douabao-seed-1.6-250615）

两模型使用完全相同的文献全文与评价指令（references/reviewer_prompt.md 模板，文献以 {LITERATURE} 占位符注入），独立输出 MINORS/Jadad + Thomson 评价，每条评分均附原文直接引语与出处。

API 密钥配置（首次使用前必做）

在技能目录新建 config.json（不要提交/分享，打包 zip 时排除）：

{
  "deepseek_api_key": "你的 DeepSeek Key",
  "deepseek_base_url": "https://api.deepseek.com",
  "deepseek_model": "deepseek-chat",
  "ark_api_key": "你的火山方舟 Key",
  "ark_base_url": "https://ark.cn-beijing.volces.com/api/v3",
  "ark_model": "你的方舟 endpoint id 或模型名"
}

也可改用环境变量 DEEPSEEK_API_KEY / ARK_API_KEY / ARK_MODEL 等（环境变量优先级高于 config.json）。参考模板见 config.example.json。

运行命令

python scripts/run_dual_review.py \
  --literature <PDF提取的全文文本.txt> \
  --out dual_review_result.json

脚本会解析两模型返回的 ##EVALUATION_JSON##，写入 dual_review_result.json（含 model_a / model_b 两份结构化结果 + meta）。若某模型调用失败，对应字段写入 _error 并以非零退出码结束，便于排查。

两模型使用完全相同的文献信息和评价指令，独立完成评价。脚本运行完毕即可读取结果。

模型输出格式要求（必须严格遵守，确保结构化对比）

每个模型必须在输出末尾附加一个 ##EVALUATION_JSON## 结构化代码块，格式如下：

对于Non-RCT/MINORS量表：

##EVALUATION_JSON##
{
  "scale": "MINORS",
  "items": [
    {"id": 1, "name": "研究目的", "score": 2, "quote": "[原文直接引语]", "quote_location": "[Methods第1段]", "reasoning": "[评分理由]"},
    {"id": 2, "name": "患者连贯性", "score": 1, "quote": "[原文直接引语]", "quote_location": "[Methods第2段]", "reasoning": "[评分理由]"},
    ...
  ],
  "total_score": 8,
  "max_score": 16,
  "quality_level": "中等",
  "thomson_class": "IIa",
  "thomson_level": "B级",
  "thomson_quote": "[支持分级的原文数据描述]",
  "thomson_reasoning": "[分级理由]",
  "evidence_summary": "[≤200字摘要]"
}

对于RCT/Jadad量表：

##EVALUATION_JSON##
{
  "scale": "Jadad",
  "items": [
    {"id": 1, "name": "随机序列产生", "score": 2, "quote": "[原文直接引语]", "quote_location": "[位置]", "reasoning": "[评分理由]"},
    {"id": 2, "name": "随机化隐藏", "score": 1, "quote": "[原文直接引语]", "quote_location": "[位置]", "reasoning": "[评分理由]"},
    {"id": 3, "name": "盲法", "score": 2, "quote": "[原文直接引语]", "quote_location": "[位置]", "reasoning": "[评分理由]"},
    {"id": 4, "name": "撤出与退出", "score": 1, "quote": "[原文直接引语]", "quote_location": "[位置]", "reasoning": "[评分理由]"}
  ],
  "total_score": 5,
  "max_score": 5,
  "quality_level": "高",
  "thomson_class": "I",
  "thomson_level": "A级",
  "thomson_quote": "[支持分级的原文数据]",
  "thomson_reasoning": "[分级理由]",
  "evidence_summary": "[≤200字摘要]"
}

JSON 字段说明：
- quote：原文直接引语（英文文献保留英文原文），不得省略或只概括。即便条目评为0分（未报告/不适用），也必须写明原文相关描述或注明"原文未描述[具体查找范围]"
- quote_location：引语在原文中的位置（如 "Methods第2段"、"Abstract"、"Results第3段"），每条必填
- reasoning：将该原文证据映射到量表评分标准的推理过程
- thomson_quote：支持Thomson分级的核心原文数据或描述
- thomson_reasoning：分级推理过程
- 严禁编造不存在的引语——每条引语必须可追溯到文献原文

参考标准注入

以下关键标准已内联于 references/reviewer_prompt.md（脚本会自动注入到每次模型调用的 user prompt 中）。此处列出供核对，修改量规时请同步更新 reviewer_prompt.md：

Jadad量表核心（来自 references/jadad_scale.md）：

随机序列产生(0-2)：恰当2/不清楚1/不恰当0
随机化隐藏(0-2)：恰当2（中心控制/不透光密封信封）/不清楚1/不恰当0
盲法(0-2)：恰当2（安慰剂双模拟）/不清楚1/不恰当0
撤出与退出(0-1)：描述数目和理由1/未描述0
质量等级：4-5分=高 / 2-3分=中 / 0-1分=低

MINORS量表核心（来自 references/minors_scale.md）：

前8条(0-16分): 研究目的/患者连贯性/数据收集/终点指标/客观评价/随访时间/失访率/样本量
有对照组时加后4条(0-8分): 对照组选择/同步性/基线可比/统计分析
每条0-2分，高质量≥12(有对照≥16)，中等8-11(有对照12-15)，低<8(有对照<12)

Thomson分级（来自 references/thomson_classification.md）：

Class I(A级): 多个设计良好RCT / RCT荟萃分析 → 推荐使用
Class IIa(B级): 小规模/有缺陷RCT；非随机试验；非随机研究 → 可以推荐
Class IIb(C级): 专家意见或共识；个案报道或系列案例 → 可以考虑
Class III(D级): 没有证据 → 不推荐

Step 3: 逐条评分对比与差异分析

读取 dual_review_result.json 中 model_a / model_b 两份结果后，逐条展示全部条目的评分、原文出处和评分依据，同时标注差异项。

⭐ 核心原则：全部条目均需展示原文出处

无论两模型评分是否一致，每条评分必须附带各自的英文原文直接引语和出处位置，这是本次审核的核心质量控制环节——用户需要核对每条评分的原文依据是否真实、准确、完整。

对比项目

逐条评分对比报告格式

生成完整的逐条评分对比报告，全部条目均需展示原文出处。差异条目用 ⚠️ 标记，一致条目用 ✓ 标记，但一致条目也必须列出完整原文出处——用户需要核对模型引用的原文是否准确：

【双模型逐条评分对比报告】

════ 文献信息 ════
标题：[文献标题]
研究类型：[RCT/Non-RCT/Meta分析等]
评价量表：[Jadad/MINORS/AMSTAR2]

════ 方法学质量评分逐条对比 ════

条目1：[条目名称]
  模型A：[X]分
    原文出处："[英文原文直接引语]"（[Abstract/Methods第X段/Results第X段/Discussion第X段]）
    评分依据：[将原文证据映射到量表标准的推理]
  模型B：[X]分
    原文出处："[英文原文直接引语]"（[位置]）
    评分依据：[推理]
  → ✓ 一致

条目2：[条目名称]
  模型A：[X]分
    原文出处："[原文引语]"（[位置]）
    评分依据：[推理]
  模型B：[X]分
    原文出处："[原文引语]"（[位置]）
    评分依据：[推理]
  → ⚠️ 差异(X分)：[差异原因简述]

...(全部条目均按此格式展示)...

──────────────────────────────────────
总分对比：模型A=X vs 模型B=X [✓/⚠️]
质量等级：模型A=[高/中/低] vs 模型B=[高/中/低] [✓/⚠️]

════ Thomson有效性分级对比 ════
模型A：Class [I/IIa/IIb/III]（[A/B/C/D]级）
  原文依据："[核心疗效/安全性数据]"
  分级理由：[解释为何符合该分级]
模型B：Class [I/IIa/IIb/III]（[A/B/C/D]级）
  原文依据："[核心疗效/安全性数据]"
  分级理由：[解释为何符合该分级]
→ [✓ 一致 / ⚠️ 分级差异]

════ 综合判定建议 ════
差异条目数：X/Y
关键差异：有/无
采纳建议：[推荐模型A/模型B/折中方案] 评分X分，理由：[说明]

质量重点核对项（用户视角）

对比报告呈现后，引导用户关注以下核对点：
- 每条原文引语是否真实存在于文献原文中（防止模型幻觉）
- 评分依据是否与量表标准逻辑自洽（防止评分漂移）
- 差异条目的两模型推理路径是否有实质分歧（需人工裁定）

差异处理策略

• 一致条目（无差异）：仍需展示原文出处，供用户核对引用准确性
• 总分差1分：优先采纳评分有原文引用支持的模型
• 总分差≥2分：标注为"⚠️显著差异"，人工裁定
• 关键条目不一致：标注为"⚠️关键差异"，人工裁定
• 分级不一致：标注为"⚠️分级差异"，人工裁定
• 无差异或差异不影响结论：直接输出

对比报告必须呈现给用户，用户确认最终结果后再生成Excel。

差异处理策略

• 总分差1分：优先采纳评分有原文引用支持的模型
• 总分差≥2分：标注为"⚠️显著差异"，人工裁定
• 关键条目不一致：标注为"⚠️关键差异"，人工裁定
• 分级不一致：标注为"⚠️分级差异"，人工裁定
• 无差异或差异不影响结论：直接输出

差异报告必须呈现给用户，由用户确认最终结果后再生成Excel。

Step 4: 生成Excel审核表

用户确认评价结果后，生成JSON数据并使用 scripts/generate_review_excel.py 生成Excel文件。

4.1 构建数据JSON

创建临时JSON文件（如 /tmp/review_data.json），格式：

{
  "entries": [
    {
      "department": "血液科",
      "project": "利妥昔单抗用于难治性ITP",
      "necessity_level": "2级",
      "evidence_citation": "Author A, et al. Title. Journal. 2024;50(3):123-130.",
      "evidence_summary": "该研究为前瞻性队列研究，纳入XX例...（<=200字）",
      "evidence_level": "B级",
      "rationality": "合理",
      "opinion": "【必要性描述】临床在该疾病的治疗中有替代方案..."
    }
  ],
  "comparison_report": {
    "has_significant_diff": false,
    "summary": "两个模型评价结果基本一致",
    "details": [
      "Jadad总分：模型A=5 vs 模型B=4（差1分，模型A的评分依据更充分）",
      "Thomson分级一致：均为Class IIa(B级)"
    ]
  },
  "scoring_comparison": {
    "scale": "MINORS",
    "total_range": "0-16",
    "items": [
      {
        "id": 1, "name": "研究目的",
        "score_a": 2, "quote_a": "[原文直接引语]", "reasoning_a": "[评分理由]",
        "score_b": 2, "quote_b": "[原文直接引语]", "reasoning_b": "[评分理由]",
        "diff": false, "diff_label": ""
      },
      {
        "id": 2, "name": "患者连贯性",
        "score_a": 1, "quote_a": "[原文直接引语]", "reasoning_a": "[评分理由]",
        "score_b": 1, "quote_b": "[原文直接引语]", "reasoning_b": "[评分理由]",
        "diff": false, "diff_label": ""
      }
    ],
    "total_score_a": 8, "total_score_b": 8,
    "quality_level_a": "中等", "quality_level_b": "中等",
    "thomson_class_a": "IIa", "thomson_level_a": "B级",
    "thomson_quote_a": "[支持分级的原文数据]",
    "thomson_reasoning_a": "[分级理由]",
    "thomson_class_b": "IIa", "thomson_level_b": "B级",
    "thomson_quote_b": "[支持分级的原文数据]",
    "thomson_reasoning_b": "[分级理由]",
    "adopted_score": 8,
    "adopted_quality": "中等",
    "adopted_thomson_class": "IIa",
    "adopted_thomson_level": "B级",
    "adopted_reasoning": "两模型评价完全一致，采纳共识评分"
  }
}

scoring_comparison 字段说明：
- items[]：逐条评分对比，每项含两模型的评分、原文直接引用出处和推理理由
- quote_a/quote_b：原文直接引语（英文文献保留英文原文），不得省略或只概括
- reasoning_a/reasoning_b：将该原文证据映射到量表评分标准的推理过程
- diff：该条目两模型评分是否不一致（true/false）
- diff_label：差异级别标记（空=一致，"显著差异"/"关键差异"/"等级差异"）
- adopted_*：人工确认后最终采纳的评价结果
- thomson_quote_*：各模型进行Thomson分级所依据的原文核心数据

4.2 字段填充规则

循证医学证据（E列）：
- 指南格式：[学会名称]. [指南名称]（[年份]）
- 文献格式：[作者]. [标题]. [期刊]. [年份];[卷]([期]):[页码]
- 多个证据源用分号隔开

证据简述（F列）：
- ≤200字
- 指南证据：摘录与申请用法直接相关的推荐意见
- 文献证据：摘录研究结论（效果数据 + 安全性数据）

证据等级（G列）：
- 根据 references/evidence_grading.md 判定为 A/B/C/D 级
- 综合方法学质量 + Thomson分级确定

合理性（H列）：
- 合理：A/B级证据 + 必要性1/2级，获益>风险
- 不合理：D级证据 或 获益<风险
- 待定：C级证据 + 必要性3级，或证据间有矛盾

药学初审意见（I列）：三段式模板：

【必要性描述】
{根据必要性分级选择模板}

【证据描述】
{根据证据等级选择模板}

【建议】
{根据综合判断选择建议}

• 必要性描述模板（见 references/necessity_grading.md）
• 证据描述模板：
• A/B级：该备案项目具有【A/B】级证据支持，[概括证据结论]，其预期临床获益明确且大于潜在风险，符合患者病情需要。
• C级：目前提供的证据等级为【C】级，[概括证据结论]，证据强度不足，缺乏高质量的临床研究支持。
• D级：目前提供的证据等级为【D】级，按照我院管理规定，不予上会。
• 建议模板：同意备案 / 暂缓备案 / 原则同意，提交伦理审查后备案 / 不予上会

审核人（J列）：留空，供人工填写。

4.3 运行脚本生成Excel

python scripts/generate_review_excel.py /tmp/review_data.json "超说明书用药审核表_{备案项目简称}_{日期}.xlsx"

确保先安装 openpyxl：

pip install openpyxl

4.4 输出呈现

生成Excel后，使用 present_files 呈现给用户，同时附上差异报告摘要和关键判定说明。

质量控制检查清单

生成最终输出前确认：
- [ ] 全部条目（含一致条目）均在对比报告中展示了原文出处和评分依据
- [ ] Jadad/MINORS每条评分均有原文引用依据（英文文献保留英文原文引语）
- [ ] 每条原文引语均可在文献全文中追溯验证（防止模型幻觉/捏造引用）
- [ ] Thomson分级引用了原文数据支持
- [ ] 差异条目已用 ⚠️ 标记，一致条目已用 ✓ 标记
- [ ] 「双模型评分详情」工作表包含所有评分条目及其原文出处
- [ ] 证据简述<=200字且包含核心数据
- [ ] 药学初审意见包含完整三段式模板
- [ ] 合理性判定与证据等级+必要性分级逻辑一致
- [ ] Excel包含全部6个工作表（审核表、双模型评分详情、证据等级、必要性分级、GRADE、伦理审查）
- [ ] Excel格式（字体/颜色/边框/冻结）符合模板规范
- [ ] 双模型评分详情表中差异条目已用黄色/粉色高亮标记
- [ ] 用户已确认最终结果

注意事项

1. 双厂商模型并行是关键差异化特征——必须在Step 2通过脚本同时调用 DeepSeek + 火山方舟(豆包) 两个厂商 API（非同框架双变体）
2. 差异报告必须呈现给用户，待确认后再生成Excel——不可跳过人工复核环节
3. 评分引用原文是质量控制的核心——每条评分都必须注明原文依据
4. 若文献为中文，评价仍使用中文进行，Excel输出使用中文
5. 若用户同时提交多篇文献，逐篇独立评价后汇总到同一个Excel的多行中
6. 生成的JSON临时文件在使用后应清理