生成式人工智能对临床实践指南制订、评价和应用的影响

罗旭飞, 吕晗, 宋再伟, 刘辉, 王郅翔, 李昊东, 王晔, 朱迪, 张璐, 陈耀龙

罗旭飞, 吕晗, 宋再伟, 刘辉, 王郅翔, 李昊东, 王晔, 朱迪, 张璐, 陈耀龙. 生成式人工智能对临床实践指南制订、评价和应用的影响[J]. 协和医学杂志, 2024, 15(5): 1173-1181. DOI: 10.12290/xhyxzz.2024-0602
引用本文: 罗旭飞, 吕晗, 宋再伟, 刘辉, 王郅翔, 李昊东, 王晔, 朱迪, 张璐, 陈耀龙. 生成式人工智能对临床实践指南制订、评价和应用的影响[J]. 协和医学杂志, 2024, 15(5): 1173-1181. DOI: 10.12290/xhyxzz.2024-0602
LUO Xufei, LYU Han, SONG Zaiwei, LIU Hui, WANG Zhixiang, LI Haodong, WANG Ye, ZHU Di, ZHANG Lu, CHEN Yaolong. The Impact of Generative Artificial Intelligence on the Development, Evaluation, and Application of Clinical Practice Guidelines[J]. Medical Journal of Peking Union Medical College Hospital, 2024, 15(5): 1173-1181. DOI: 10.12290/xhyxzz.2024-0602
Citation: LUO Xufei, LYU Han, SONG Zaiwei, LIU Hui, WANG Zhixiang, LI Haodong, WANG Ye, ZHU Di, ZHANG Lu, CHEN Yaolong. The Impact of Generative Artificial Intelligence on the Development, Evaluation, and Application of Clinical Practice Guidelines[J]. Medical Journal of Peking Union Medical College Hospital, 2024, 15(5): 1173-1181. DOI: 10.12290/xhyxzz.2024-0602

生成式人工智能对临床实践指南制订、评价和应用的影响

基金项目: 

中国医学科学院医学与健康科技创新工程-循证评价与指南研究创新单元 2021RU017

详细信息
    通讯作者:

    陈耀龙,E-mail: chevidence@lzu.edu.cn

    张璐,E-mail: ericluzhang@hkbu.edu.hk

  • 中图分类号: R181.2;TP242.6

The Impact of Generative Artificial Intelligence on the Development, Evaluation, and Application of Clinical Practice Guidelines

Funds: 

CAMS Innovation Fund for Medical Sciences-Research Unit of Evidence-based Evaluation and Guidelines 2021RU017

More Information
  • 摘要:

    生成式人工智能(generative artificial intelligence,GAI)是指能够从训练数据生成全新内容(如文本、图像或音频等)的人工智能技术。GAI工具不仅在系统评价的文献筛选、数据提取和文献评价等方面显示出快速、高效的潜力,还可用于指南的评价和传播,提高指南的可读性和推广效率。但GAI工具生成内容的准确性、相关引证证据的合理性、证据等级以及数据的可靠性仍需验证,且数据的隐私保护和伦理问题也是面临的挑战。本文旨在概述GAI工具在指南制订、评价、传播与实施中的应用现状,探索GAI工具在指南领域应用的可行性和新模式,以期提高指南的制订效率和质量,更好地服务指南制订者和使用者。

    Abstract:

    Generative artificial intelligence (GAI) refers to AI technology capable of generating new content such as text, images, or audio from training data. GAI tools not only demonstrate rapid and efficient potential in literature screening, data extraction, and literature appraisal in systematic reviews, but can also be used for guideline evaluation and dissemination, enhancing the readability and promotion efficiency of guidelines. However, the accuracy of content generated by GAI tools, the rationality of cited evidence, the level of evidence, and the reliability of data still need verification. Additionally, data privacy protection and ethical issues are challenges that need to be addressed. This article aims to overview the current status of GAI tools in the formulation, evaluation, dissemination, and implementation of guidelines, explore the feasibility and new models of GAI tools in the field of guidelines, and improve the efficiency and quality of guideline formulation to better serve guideline developers and users.

  • 近十几年来,全球超重/肥胖的患病率逐年增长,根据世界卫生组织数据,2025年约1/5的成年人将患肥胖[1]。同样,我国超重/肥胖的患病率亦不容乐观,《中国居民营养与慢性病状况报告(2020年)》显示,我国城乡各年龄段居民超重/肥胖的患病率持续上升,超过1/2的成年居民患有超重/肥胖,6岁以下、6~17岁的儿童和青少年超重/肥胖的患病率分别为10.4%和19%。超重/肥胖俨然已成为影响国民身心健康的主要公共卫生问题。生活方式管理是肥胖治疗的基础,尤其是饮食、运动和行为管理,在肥胖自然病程任何阶段的预防和控制中均不可或缺。

    2020年7月近百名国内循证医学、公共卫生、营养与代谢研究领域学者以及外科、内分泌科等多学科领域专家共同合作,引用最新临床证据对《中国超重/肥胖医学营养治疗专家共识(2016年版)》[2]进行全面更新,2021年12月《中国超重/肥胖医学营养治疗指南(2021)》[3](下文简称“指南”)正式发布。指南制订过程中,检索了近20年医学营养治疗领域相关文献,按照GRADE(Grading of Recommendations Assessment,Development and Evaluation)分级标准对证据质量和推荐强度进行分级,根据临床问题检索、汇总并分析证据,同时成立了指南撰写方法学小组,负责起草方法学工作方案及协助编委会开展证据评价相关工作,形成指南推荐意见。

    该指南在常规应用限能量减重、高蛋白减重以及轻断食减重方法的基础上,进一步对低碳饮食、低血糖指数饮食、终止高血压饮食(dietary approaches to stop hypertension,DASH)、地中海饮食、代餐食品减重、生物节律减重以及当前热门的肠道微生态和精准营养等多种方法进行了推荐与分析,同时针对不同减重方法的适用对象、推荐证据和常见问题进行了分析和解答。除儿童/青少年、围孕期、多囊卵巢综合征(polycystic ovarian syndrome,PCOS)人群的体质量管理推荐意见外,指南还针对重度肥胖、减重与代谢手术、肌少症的老年肥胖、糖尿病肥胖等人群的具体减重要点进行了详细阐述,同时探讨了部分饮食策略对血糖、胰岛素抵抗及血脂等指标的影响,并给出了相应推荐意见。

    肥胖既是一种慢性疾病状态,也是一种可防控的慢性非传染性疾病危险因素。“以肥胖相关并发症为中心”的肥胖管理思路逐渐成型,肥胖临床管理也正在不断发展,对大多数患者而言,生活方式干预的效果难以长期维持,极端的减重方式可能在短期内带来很好的效果,但无法长期坚持并可能带来反弹,最终形成恶性循环。因此,在专业人员指导下从整体生活方式入手,遵循循证医学指南,按照减重规范流程多角度评估患者情况后制订全面减重方案,是目前较为理想的减重管理模式。该指南立足于营养治疗,同时涵盖了运动、药物、手术及行为辅导等多学科相关证据,以减少目前临床上对于肥胖诊断与治疗的单学科偏颇,不仅关注减重效果且更多从改善肥胖相关并发症及整体健康角度给出了推荐意见。本文谨对该指南的主要内容进行解读。

    限能量膳食(calorie restrict diet,CRD)是指在目标能量摄入基础上每日减少能量摄入500~ 1000 kcal或较推荐摄入量减少1/3的总能量,其中碳水化合物占每日总能量的55%~60%,脂肪占每日总能量的25%~30%。CRD可实施有效的体质量管理,提高大豆蛋白质的摄入比例或乳制品的摄入量可能有助于增强减重效果。

    高蛋白膳食(high protein diet,HPD)多指每日蛋白质摄入量超过每日总能量的20%或1.5 g/(kg·d),但一般不超过每日总能量的30%或>2.0 g/(kg·d)的膳食模式。Santesso等[4]基于74项随机对照试验(randomized controlled trial,RCT) 的系统评价研究显示,与常规蛋白质膳食相比,HPD更能显著减轻体质量、缩小腰围。同时,有研究指出HPD可增加饱腹感、减轻饥饿感,有助于增强重度肥胖者的减重依从性并维持减重效果[5]。不同蛋白质来源的膳食补充剂均有助于减重,而增加乳制品来源的蛋白质对维持骨量具有一定的积极作用。在超重/肥胖的2型糖尿病人群中应用HPD时,应加强包括肾功能在内的临床监测。

    低碳水化合物饮食(low carbohydrate diet,LCD)通常指膳食中碳水化合物供能比≤40%,脂肪供能比≥30%,蛋白质摄入量相对增加,限制或不限制总能量摄入的一类饮食。极低碳水化合物饮食(very low carbohydrate diet,VLCD)以膳食中碳水化合物供能比≤20%为目标,生酮饮食则是VLCD中的极特殊类型。多项RCT研究和Meta分析显示,短期LCD干预有益于控制体质量、改善代谢[6-9],同时短中期应用LCD有利于超重/肥胖的糖尿病患者改善血糖控制[10-12],但LCD的长期安全性和有效性尚不明确,且由于对食物的选择具有局限性,膳食纤维、钙、碘、镁、锌、铁的摄入量可能低于推荐摄入量,故不推荐儿童和青少年以减重为目的长期执行。在充分考虑安全性的情况下,尝试其他减重饮食模式干预无效后,可在临床营养师的指导下进行短期生酮饮食管理,除监测血酮体外,还应监测肝肾功能、体成分的变化,并密切关注血脂水平。

    间歇性能量限制(intermittent energy restriction,IER)是按一定规律在规定时期内禁食或给予有限能量摄入的饮食模式。目前常用的IER方式包括隔日禁食法、4∶3 IER或5∶2 IER(连续/非连续日每周禁食2~3 d)等。与常规饮食相比,IER干预可减轻超重/肥胖者的体质量,改善脂代谢指标,但与持续能量限制(continuous energy restriction,CER)相比,IER的优势并不明显,而不同类型的IER模式的减重效果亦无显著性差异。在非糖尿病的超重/肥胖者中,IER可改善其胰岛素抵抗水平,提高胰岛素敏感性,但对血糖的影响尚不确切。针对健康志愿者、老年人群的研究显示,IER的不良事件发生率较低,且未发现严重不良事件[13-15]。Rajpal等[16]的系统评价分析了IER方案对代谢综合征、糖尿病前期和2型糖尿病患者的有效性和安全性,结果显示IER总体有效且相对安全。另一项研究结果显示,IER虽然增加了低血糖的发生风险,但其总体发生率较低,且可随药物的调整而得以改善[17]

    低血糖指数(glycemic index,GI)食物具有低能量、高膳食纤维特性,可使胃肠道容受性舒张,增加饱腹感,有利于降低总能量的摄入。一项纳入101项研究共8527名参与者的系统评价显示,低GI饮食对减重有良好的效果[18],另一项纳入14项RCT的系统评价则证实低GI饮食可改善胰岛素抵抗[19]。限制总能量的低GI饮食可减轻肥胖者的体质量,且短期减重效果优于高GI饮食。Abete等[20]的研究显示低GI组受试者的体质量减轻程度明显优于高GI组,但两组受试者腰围、脂肪含量、瘦体重和静息能量消耗变化无显著性差异。

    DASH强调增加蔬菜、水果、低脂(或脱脂)奶及全谷类食物摄入,减少红肉、油脂、精制糖及含糖饮料的摄入,进食适当的坚果、豆类,从而提供丰富的钾、镁、钙等矿物质和膳食纤维,增加优质蛋白质和不饱和脂肪酸的摄入,减少脂肪尤其是饱和脂肪酸和胆固醇的摄入。多项RCT研究显示,与常规饮食相比,DASH可有效降低超重/肥胖者的体质量、体质量指数(body mass index,BMI)和体脂含量[21-23],部分研究还显示可显著降低超重/肥胖者的胰岛素水平[21-22]

    地中海膳食结构特点是以植物性食物为主,包括全谷类、豆类、蔬菜、水果、坚果等;鱼、家禽、蛋、乳制品适量,红肉及其产品少量;食用油主要为橄榄油;适量饮红葡萄酒,同时不饱和脂肪酸摄入量较高。充足的证据表明,与常规饮食相比,地中海饮食可有效降低超重/肥胖者、糖尿病和代谢综合征患者及产后女性的体质量[24-27]

    代餐食品是为满足成人控制体质量期间一餐或两餐的营养需要,代替部分膳食,专门加工配制而成的一种控能食品。多项研究显示,采用代餐食品有利于减重及改善肥胖相关疾病的危险因素,如高血脂、高血糖等[28-31]。减重期间建议选择符合行业标准的代餐食品,结合复合维生素和矿物质补充剂保证减重期间的营养充足。短期应用代餐食品减重是安全的,严重不良反应少,耐受性较好,可通过减轻体质量改善糖尿病患者的血糖,减少代谢综合征和心血管疾病患者的心血管事件危险因素,但代餐食品的长期安全性仍待进一步研究证实。

    时间限制进食法(time-restricted feeding,TRF)是指限制每天进食时间,禁食3 ~ 21 h,白天或夜间均可禁食的一种饮食方式。常见有4 h、6 h、8 h禁食3种限制类型。研究显示,短期应用TRF干预可减轻体质量[32-34],但关于TRF对体成分、胰岛素抵抗、血脂代谢产生的影响结果不一,且目前尚无足够证据证明TRF对减重的长期效果。

    医学营养减重除关注总能量和宏量营养素比例外,微量营养素缺乏同样需引起重视。对肥胖者进行低能量膳食干预时,由于食物总摄入量减少或种类受限,营养素缺乏的风险上升,尤其是极低能量饮食可能引起肥胖者体内微量营养素缺乏,其维生素或微量元素摄入不足的风险更高,应同时补充复合维生素与微量元素。

    近年来,研究表明肠道微生物在代谢调节和食物消化中发挥作用,且肠道菌群与肥胖存在密切联系[35-36]。肠道菌群的代谢活动影响营养物质的吸收,可通过促进饮食成分的能量代谢,并在能量存储和消耗中影响能量平衡。儿童或成人肥胖者短期内服用特定益生元或富含益生元的食品可能获得更好的减重效果。含有特定菌株的益生菌可能有助于伴有非酒精性脂肪性肝炎、糖尿病等代谢性疾病的肥胖者减重和代谢指标的改善,但尚需更多研究进行证实。现有证据不支持肥胖者常规通过粪菌移植进行减重。

    多项研究表明,营养教育可增加个体与群体的营养相关知识,改变其饮食结构、饮食习惯和依从性,降低能量摄入,增加运动量,降低血脂、血压,改善血糖、糖化血红蛋白水平和胰岛功能,进而达到减轻体质量、降低BMI和肥胖发病率的目的[37-40]。另外,营养教育可显著改善肥胖者的社会心理相关指标,如显著降低其抑郁评分。基于互联网小程序/手机应用程序,采用在线营养知识理论教学形式,提供营养和运动等相关建议是营养教育的有效手段。

    行为辅导即采用行为科学分析肥胖者的摄食行为特征和运动类型,并以此为基础,合理培养正确行为,帮助肥胖者建立支持性环境,提供持续的行为改变,最终达到减重目的。其中自我监测、动机访谈、同伴支持等方式有助于成年肥胖者的饮食行为改变。多项纳入大样本RCT的系统评价结果显示,行为辅导比一般性辅导更有助于减重[41-42],故建议所有医学减重者都应给予行为辅导。采用远程医疗进行医学营养减重对成人有效,适合多种人群,建议远程医疗干预时间至少6个月,并重视干预后的随访。

    目前具有较多临床证据的减重手术方式包括胃袖状切除术(sleeve gastrectomy,SG)、Roux-en-Y胃旁路术(Roux-en-Y gastric bypass,RYGB)等或联合术式。术前预减重可有效减少肝脏体积和内脏脂肪含量,降低手术风险,减少术中出血量,并缩短手术时间,其获益显著且证据充分,故建议所有拟行减重手术的患者均应行术前预减重。围术期营养管理应以多学科协作综合治疗为诊疗模式并贯穿术前评估、术中监测、术后康复及术后随访整个过程。

    减重术后的营养摄入应在维持机体负能量平衡的同时保证蛋白质及其他营养素的充足,建议减重手术者蛋白质的摄入量为60~80 g/d,并推荐预防性口服维生素D3 3000 U/d,常规补充维生素B12 350~ 1000 μg/d,按需补充维生素B1,后期监测中若发现患者出现缺铁性贫血,应及时补充铁剂和维生素C。

    一项纳入112例行SG患者的RCT研究显示,加速康复外科(enhanced recovery after surgery,ERAS)组患者术后的住院天数缩短,术后下床活动时间提前,疼痛程度也较对照组减轻[43]。因此,将ERAS理念应用于围术期综合营养管理,可为患者带来更多益处。

    术后减重不足是指减重术后12个月或18个月多余体质量减轻率(excessive weight loss,EWL)不足50%。复重则指体质量成功下降至EWL>50%后逐渐回升。上述情况患者的营养干预应调整膳食结构,提高蛋白质比例,并根据指南推荐的方式改变生活行为。

    研究表明,超重/肥胖成人平均4个月可有效减轻体质量的13%,但21个月时约48%的人发生体质量反弹[44]。因此,减重成功后仍需参与长期的综合减重维持计划,并采用传统“面对面”或互联网等方式进行随访管理。减重后维持期执行3~6个月的限能量HPD更有助于体质量维持,与持续CRD相比,IER在减重后体质量维持中的作用并无显著优势。减重维持期通过有效的行为干预策略可提高患者生活方式管理的依从性并达到良好的减重效果,同时参与长期(≥1年)综合减重维持计划,亦有助于减重维持。

    通过收集基于个体基因、环境、生活习惯等信息数据进行分析整合,实现真正意义上的个体、动态化营养方案称为精准营养。研究显示,个体化营养干预方案较标准方案减重效果更好[45-46],同时根据基因检测结果调整饮食方案也显现出一定优势[47-48],但依据单基因型指导减重,尚需更多临床证据支持,而整合多基因型、表型分析等多种因素指导减重更具有应用前景。基于肠道菌群的普氏杆菌/拟杆菌(prevotella/bacteroidetes,P/B)比值分型的强化膳食纤维饮食干预可考虑作为精准减重的干预方式。

    诸多研究显示,运动可使超重/肥胖者的体质量、腰围、体脂下降,故运动应作为医学营养减重治疗的重要基石。建议超重/肥胖个体每周至少进行150 min中等强度的运动以达到适度减重的效果;如需达到减重≥ 5%体质量的效果,每周运动时间应达到300 min,运动强度应为中-高强度运动量或运动能量消耗达每周2000 kcal及以上。O'Donoghue等[49]的Meta分析纳入了45项RCT研究共3566例超重/肥胖者,结果显示干预组(高强度有氧运动+高负荷抗阻运动)受试者的减重效果显著优于对照组和单纯抗阻运动组,建议应以有氧运动结合抗阻训练作为减重的运动方式。

    BMI≥37.5 kg/m2(或存在合并疾病的情况下BMI≥32.5 kg/m2)称为重度肥胖,健康风险将随体质量的增加而升高,减重有助于降低重度肥胖者并发症的发生风险。重度肥胖个体应接受包括强化的综合性生活方式干预、药物治疗和代谢手术在内的积极治疗。尽管代谢手术仍是减重、维持减重效果以及改善合并症和死亡率的最有效方法,但仍建议将生活方式干预作为实现减重和治疗肥胖相关合并症的基础方法。重度肥胖者可根据公式(估算体质量×22 kcal±20%)计算每日维持体质量的能量需求,在此基础上减少400~600 kcal/d能量摄入作为减重期间的每日摄入量或执行低能量摄入模式(800~1200 kcal/d)。

    妊娠前肥胖可增加早期流产和反复流产的风险,同时妊娠前和妊娠期肥胖均增加妊娠期并发症和不良妊娠结局的风险。对超重/肥胖孕妇进行生活方式干预可改善妊娠期增重和妊娠结局。合理的饮食干预可减少妊娠期增重,但对妊娠结局的改善作用并不一致。

    营养治疗是超重/肥胖儿童和青少年首选的一线治疗方式,但管理模式不同于成人,在限能量的同时还应保障其正常生长发育需要。超重/肥胖儿童和青少年减重膳食的三大营养素比例建议按照《中国居民膳食指南(2016)》推荐的饮食结构,即碳水化合物50%~65%,脂肪20%~30%,蛋白质10%~20%。CRD对超重/肥胖儿童和青少年控制体质量有益[50-52],在保证正常生长发育所需能量的前提下,减少能量供给,但不建议采用极低能量饮食。

    老年少肌性肥胖可定义为与年龄相关的骨骼肌力量降低、质量减少、功能减退及肥胖为主要特点的老年常见综合征。研究表明,与单纯肥胖和肌少症相比,少肌性肥胖的老年人更易患身体残疾和平衡障碍,且跌倒风险增加[53]。少肌性肥胖老年人应适当提高膳食蛋白质的摄入,在限能量的同时保证摄入蛋白质1.0~1.5 g/(kg·d),短期采用限能量代餐食品可降低肥胖老年人的体质量和脂肪,但应保证充足的营养素摄入,不推荐选择极低能量饮食。适量补充β-羟基-β-甲基丁酸盐并联合适当运动,可改善老年人的骨骼肌质量和力量,维持骨骼肌功能。建议少肌性肥胖老年人每天补充维生素D3 800~1000 U。

    PCOS是女性最常见的内分泌疾病,影响8%~13%的育龄女性,其中50%以上的患者合并肥胖[36]。研究显示,生活方式干预可改善超重/肥胖PCOS患者的游离雄激素指数、体质量、BMI和胰岛素水平等各项指标[54]。建议所有超重/肥胖PCOS患者在选择健康食物的前提下,减少膳食总能量的摄入以减重。

    在糖尿病患者中,超重/肥胖者约占58.3%[55-56]。医学营养治疗可有效帮助超重/肥胖糖尿病患者达到并维持目标体质量,同时可预防或缓解糖尿病。超重/肥胖糖尿病患者应将减重初始目标设立为减轻体质量的5%~10%。糖尿病医学营养治疗鼓励限能量平衡膳食,强调食物的多样性,关注个体化饮食的适用人群和不良反应。

    超重/肥胖是代谢性脂肪性肝病患者最常见的危险因素之一,通过改善生活方式或减重手术减轻其体质量后,肝病情况也可得到不同程度的改善。建议患者在减重过程中禁酒,根据个体情况酌情选择地中海饮食、IER等膳食模式以控制能量的摄入。

    大型流行病学研究证实,高BMI为痛风的危险因素[57-58]。肥胖可促进胰岛素抵抗,进而减少尿酸的排泄,从而导致高尿酸血症。减重可降低肥胖痛风患者的尿酸水平,减少痛风性关节炎的发生。痛风患者可选择地中海饮食或DASH饮食,不仅可减轻体质量,还可降低痛风的发生风险。

    超重/肥胖既属于科学问题又属于社会问题,该指南引入医学营养减重最新临床证据,使指南内容更具科学性和逻辑性,同时建立了医疗模式下减重的标准化工作流程,以患者安全为主要目标,将评估与筛查、随诊贯穿整个流程中,使医学营养减重诊疗更加科学、规范,易于临床实施。指南的发布仅是医学营养减重工作的一小部分,期望通过指南提高社会及专业人士对营养干预在代谢性疾病治疗中重要性的认识,并进一步规范医学营养减重的原则和路径,为设立标准化医学营养减重治疗管理工作流程提供科学依据,以便更多临床专业及医疗保健人员掌握和使用,促进我国卫生健康事业发展,助力“健康中国战略”的实施。

    作者贡献:罗旭飞、陈耀龙负责论文设计和构思;罗旭飞负责论文初稿撰写;吕晗、宋再伟、刘辉、王郅翔、李昊东、王晔、朱迪参与论文修订;陈耀龙、张璐负责论文写作指导和审校。
    利益冲突:所有作者均声明不存在利益冲突
  • 表  1   应用GAI工具咨询医学特定领域知识与指南推荐意见对比的研究

    Table  1   Research on the application of GAI tools to consult medical domain-specific knowledge and compare guideline recommendations

    文献 发表年份 国家 GAI工具 疾病/领域 问题数量 侧重点 指南来源 主要研究结果 主要研究结论
    Ho等[2] 2024 美国 ChatGPT 3.5和ChatGPT 4.0 梅尼埃病 16 常见
    问题
    AAO-HNS ChatGPT 3.5对5个问题的回答表现全面,而ChatGPT 4.0对9个问题的回答表现全面(31.3%比56.3%,P=0.2852);ChatGPT 3.5与ChatGPT 4.0对所有问题的回答均较为详尽(P=1.0000);其中ChatGPT 3.5在5个问题的回答中存在误导性,而ChatGPT 4.0在3个问题的回答中存在误导性(31.3% 比18.75%,P=0.6851) ChatGPT 4.0在数据来源质量方面显著优于ChatGPT 3.5;但与指南相比,两个模型在综合性、可读性和减少误导性方面均存在可改进的空间
    Hoang等[3] 2024 美国 ChatGPT 3.5和ChatGPT 4.0 神经根型颈椎病 14 诊断和
    治疗
    NASS ChatGPT 4.0的平均完整性为46%,而ChatGPT 3.5为34%,前者较后者高12%;ChatGPT 4.0的输出平均Flesch可读性得分为15.24,难以阅读,需具备大学毕业水平才能理解,而ChatGPT 3.5的可读性得分更低(8.73),更加难读,需具备专业教育水平才能理解 与指南相比,ChatGPT模型可对NASS关于神经根型颈椎病的指南问题提供安全、准确的回答,但回答内容并不完整
    Gomez-Cabello等[4] 2024 美国 ChatGPT 3.5、ChatGPT 4.0及Gemini 整形外科术后护理 32 常见
    问题
    ASPS CPG ChatGPT 3.5的likert量表平均得分最高(4.18±0.93)(P=0.849),而Gemini的回答可读性(P=0.001)和可理解性(P=0.014)方面更好;两模型回答的可操作性方面无统计学差异(P=0.830) 与指南相比,虽然LLMs在术后患者护理方面问题的回答显示出作为辅助工具的潜力,但仍需进一步优化和调整
    Shiraishi等[5] 2024 日本 ChatGPT 3.5 眼睑下垂 11 管理 ASPS CPG 最终分析共包含11个问题,ChatGPT 3.5正确回答了其中的61.3%;在回答临床问题时,ChatGPT 3.5的英文回答准确率显著高于日文(76.4%比46.4%,P=0.004),且字数更多(123比35.9,P=0.004);在证据质量、推荐强度和参考文献匹配度方面无统计学差异;ChatGPT 3.5提出了697篇参考文献,但其中仅216篇(31.0%)文献是真实存在的 与指南相比,ChatGPT 3.5在回答眼睑下垂管理问题时展示了作为辅助工具的潜力;然而,现有AI模型存在明显的局限性,仅可作为辅助工具补充医学专业人员相关知识
    Altintaş等[6] 2024 土耳其 ChatGPT 4.0,Perplexity,Bing及Bard AI 尿路结石 115 诊断、
    治疗和
    预后
    EAU Perplexity和ChatGPT 4.0的平均得分分别为4.68(标准差:0.80)和4.80(标准差:0.47),二者的得分与Bing和Bard的得分存在显著差异(Bing比Perplexity,P<0.001;Bard比Perplexity,P<0.001;Bing比ChatGPT,P<0.001;Bard比ChatGPT,P<0.001)。Bing的平均得分为4.21(标准差:0.96),而Bard的平均得分为3.56(标准差:1.14),二者之间也存在显著差异(Bing比Bard,P<0.001) ChatGPT 4.0和Perple-xity生成的回答与EAU指南的推荐意见相一致;这些LLMs未来在向医生提供咨询方面可能发挥重要作用,特别是在尿路结石领域
    Piazza等[7] 2024 意大利 ChatGPT 3.5和4.0 卵巢癌 8 治疗 AIOM AIOM指南与AI模型(ChatGPT 3.5、ChatGPT 4.0及带提示的ChatGPT 4.0)存在显著差异,且多重比较调整后仍存在差异(P<0.05);在AI模型之间,ChatGPT 3.5与ChatGPT 4.0或ChatGPT 4.0与带提示的ChatGPT 4.0之间无显著统计学差异(P>0.05) 尽管AI模型可快速回答问题,但需在清晰度、一致性、全面性、可用性和质量方面符合已制订的指南。该研究强调了在临床决策中依赖专家制订指南的重要性,并突出了AI模型潜在的改进领域
    Barlas等[8] 2024 土耳其 ChatGPT 3.5 2型糖尿病合并肥胖 20 管理 AACE和ADA 在评估2型糖尿病肥胖时,ChatGPT 3.5与指南的兼容性为100%;然而,在治疗部分(包括营养、药物和手术减重方法),兼容性较低 与指南相比,ChatGPT 3.5的回答内容全面且易于理解,但不能替代以患者为中心的医疗专业人员
    Sciberras等[9] 2024 马耳他 ChatGPT 3.5 炎症性肠病 38 治疗 ECCO 在准确性方面,大多数回复(84.2%)的中位得分≥4(四分位间距为2),平均得分为3.87±0.6;在完整性方面,34.2%的回复中位得分为3,55.3%的回复中位得分在2~3之间;总体而言,平均评分为2.24±0.4,中位数为2,四分位间距为1 AI可为患者提供有用的帮助,但对专业领域问题的回答可能偏离循证指南推荐意见,因此需提供更为透明的提问流程
    Shrestha等[10] 2024 美国 ChatGPT 3.5 腰背痛 82 诊断和
    治疗
    NASS 对于具有推荐意见的指南,ChatGPT 3.5的回复准确率为65%(修改提示语后为72%,P=0.41);对于数据不足或存在冲突的指南,准确率为46%(修改提示语后为58%,P=0.11);对于缺乏足够研究证据支持临床问题的指南,回复准确率为49%(修改提示语后为16%,P=0.003) ChatGPT能够生成充分的腰背痛指南推荐意见,且在初始回答时总体效果较好
    Kusunose等[11] 2023 日本 ChatGPT 3.5 高血压 31 管理 JSH ChatGPT 3.5回答临床问题准确性的能力高于指南问题(80% 比36%,P=0.005) 与指南相比,ChatGPT 3.5有潜力成为临床医生管理高血压的重要工具
    AACE(American Association of Clinical Endocrinology):美国临床内分泌医师协会;AAO-HNS(American Academy of Otolaryngology-Head and Neck Surgery):美国耳鼻喉头颈外科医学会;ADA(American Diabetes Association):美国糖尿病协会;AI(artificial intelligence):人工智能;AIOM(Italian Association of Medical Oncology):意大利肿瘤医学协会;ASPS(American Society of Plastic Surgeons):美国整形外科医师学会;CPG(clinical practice guideline):临床实践指南;EAU(European Association of Urology):欧洲泌尿外科协会;ECCO(European Crohn's and Colitis Organisation):欧洲克罗恩和结肠炎组织;JSH(Japanese Society of Hypertension):日本高血压协会;LLMs(large language models):大语言模型;NASS(North American Spine Society):北美脊柱外科协会
    下载: 导出CSV

    表  2   GAI工具在系统评价中的作用

    Table  2   The role of GAI tools in systematic reviews

    文献 发表时间 国家/地区 GAI工具 系统评价制作步骤
    确定临床问题 检索策略制订 文献检索 文献筛选 提取数据 偏倚风险评估 数据分析
    Luo等[17] 2024 中国 ChatGPT 4.0和Claude 3
    Oami等[18] 2024 日本 ChatGPT 4.0 - - - - - -
    Khraisha等[19] 2024 爱尔兰 ChatGPT 4.0 - - - - -
    Gwon等[20] 2024 韩国 ChatGPT 3.5和Bing AI - - - - -
    Hossain等[21] 2024 美国 ChatGPT - - -
    Issaiy等[22] 2024 伊朗 ChatGPT 3.5 - - - - - -
    Gartlehner等[23] 2024 美国 Claude 2 - - - - - -
    Kohandel等[24] 2024 伊朗 ChatGPT 3.5 - - - - - -
    Guo等[25] 2024 加拿大 ChatGPT 4.0 - - - - - -
    Giunti等[26] 2024 爱尔兰 ChatGPT 3.5 - - - - - -
    Dennstädt等[27] 2024 瑞士 FlanT5-XXL,OHNC*,Mixtral,Platypus 2 - - - - - -
    Tran等[28] 2024 法国 ChatGPT 3.5 - - - - - -
    Qureshi等[29] 2023 美国 ChatGPT 3.5和4.0 -
    Mahuli等[30] 2023 印度 ChatGPT - - - - -
    Nashwan等[31] 2023 卡塔尔 ChatGPT 4.0,SAM,LlaMA,LaMDA - - - - - -
    Alshami等[32] 2023 美国 ChatGPT 3.5 - - -
    Kataoka等[33] 2023 日本 ChatGPT 3.5和4.0 - - - - - -
    *OHNC:OpenHermes-2.5-neural-chat-7b-v3-1-7B;√:文中提及;-:文中未提及
    下载: 导出CSV
  • [1]

    Feuerriegel S, Hartmann J, Janiesch C, et al. Generative AI[J]. Bus Inf Syst Eng, 2024, 66(1): 111-126. DOI: 10.1007/s12599-023-00834-7

    [2]

    Ho R A, Shaari A L, Cowan P T, et al. ChatGPT responses to frequently asked questions on Ménière's disease: a comparison to clinical practice guideline answers[J]. OTO Open, 2024, 8(3): e163. DOI: 10.1002/oto2.163

    [3]

    Hoang T, Liou L, Rosenberg A M, et al. An analysis of ChatGPT recommendations for the diagnosis and treatment of cervical radiculopathy[J]. J Neurosurg Spine, 2024, 41(3): 385-395.

    [4]

    Gomez-Cabello C A, Borna S, Pressman S M, et al. Artificial intelligence in postoperative care: assessing large language models for patient recommendations in plastic surgery[J]. Healthcare (Basel), 2024, 12(11): 1083.

    [5]

    Shiraishi M, Tomioka Y, Miyakuni A, et al. Performance of ChatGPT in answering clinical questions on the practical guideline of blepharoptosis[J]. Aesthetic Plast Surg, 2024, 48(13): 2389-2398. DOI: 10.1007/s00266-024-04005-1

    [6]

    Altintaş E, Ozkent M S, Gül M, et al. Comparative analysis of artificial intelligence chatbot recommendations for urolithiasis management: a study of EAU guideline compliance[J]. Fr J Urol, 2024, 34(7/8): 102666.

    [7]

    Piazza D, Martorana F, Curaba A, et al. The consistency and quality of ChatGPT responses compared to clinical guidelines for ovarian cancer: a Delphi approach[J]. Curr Oncol, 2024, 31(5): 2796-2804. DOI: 10.3390/curroncol31050212

    [8]

    Barlas T, Altinova A E, Akturk M, et al. Credibility of ChatGPT in the assessment of obesity in type 2 diabetes according to the guidelines[J]. Int J Obes (Lond), 2024, 48(2): 271-275. DOI: 10.1038/s41366-023-01410-5

    [9]

    Sciberras M, Farrugia Y, Gordon H, et al. Accuracy of information given by ChatGPT for patients with inflammatory bowel disease in relation to ECCO guidelines[J]. J Crohns Colitis, 2024, 18(8): 1215-1221. DOI: 10.1093/ecco-jcc/jjae040

    [10]

    Shrestha N, Shen Z K, Zaidat B, et al. Performance of ChatGPT on NASS clinical guidelines for the diagnosis and treatment of low back pain: a comparison study[J]. Spine (Phila Pa 1976), 2024, 49(9): 640-651. DOI: 10.1097/BRS.0000000000004915

    [11]

    Kusunose K, Kashima S, Sata M. Evaluation of the accuracy of ChatGPT in answering clinical questions on the Japanese society of hypertension guidelines[J]. Circ J, 2023, 87(7): 1030-1033. DOI: 10.1253/circj.CJ-23-0308

    [12]

    Institute of Medicine. Clinical practice guidelines we can trust[M]. Washington, D.C. : The National Academies Press, 2011.

    [13]

    World Health Organization. WHO handbook for guideline development[M]. 2nd ed. Geneva: World Health Organization, 2014.

    [14] 中华医学会杂志社指南与标准研究中心, 中国医学科学院循证评价与指南研究创新单元(2021RU017), 世界卫生组织指南实施与知识转化合作中心, 等. 2022年医学期刊发表中国指南和共识的科学性、透明性和适用性的评级[J]. 中华医学杂志, 2023, 103(37): 2912-2920. DOI: 10.3760/cma.j.cn112137-20230724-00076

    Guidelines and Standards Research Center Chinese Medical Association Publishing House, Research Unit of Evidence-Based Evaluation and Guidelines (2021RU017), Chinese Academy of Medical Sciences, WHO Collaborating Centre for Guideline Implementation and Knowledge Translation, et al. Evaluation and ranking for scientific, transparent and applicable of Chinese guidelines and consensus published in the medical journals in 2022[J]. Natl Med J China, 2023, 103(37): 2912-2920. DOI: 10.3760/cma.j.cn112137-20230724-00076

    [15] 吕萌, 罗旭飞, 刘云兰, 等. 2019年期刊公开发表的中国临床实践指南文献调查与评价: 传播与实施情况[J]. 协和医学杂志, 2022, 13(4): 673-678. DOI: 10.12290/xhyxzz.2022-0028

    Lyu M, Luo X F, Liu Y L, et al. Investigation and evaluation of Chinese clinical practice guidelines published in medical journals in 2019: analysis on dissemination and implementation[J]. Med J PUMCH, 2022, 13(4): 673-678. DOI: 10.12290/xhyxzz.2022-0028

    [16] 陈耀龙, 罗旭飞, 史乾灵, 等. 人工智能如何改变指南的未来[J]. 协和医学杂志, 2021, 12(1): 114-121. DOI: 10.12290/xhyxzz.2021-0012

    Chen Y L, Luo X F, Shi Q L, et al. How will artificial intelligence lead the future of clinical practice guidelines[J]. Med J PUMCH, 2021, 12(1): 114-121. DOI: 10.12290/xhyxzz.2021-0012

    [17]

    Luo X F, Chen F X, Zhu D, et al. Potential roles of large language models in the production of systematic reviews and meta-analyses[J]. J Med Internet Res, 2024, 26: e56780. DOI: 10.2196/56780

    [18]

    Oami T, Okada Y, Nakada T A. Performance of a large language model in screening citations[J]. JAMA Netw Open, 2024, 7(7): e2420496. DOI: 10.1001/jamanetworkopen.2024.20496

    [19]

    Khraisha Q, Put S, Kappenberg J, et al. Can large language models replace humans in systematic reviews? Evaluating GPT-4's efficacy in screening and extracting data from peer-reviewed and grey literature in multiple languages[J]. Res Synth Methods, 2024, 15(4): 616-626. DOI: 10.1002/jrsm.1715

    [20]

    Gwon Y N, Kim J H, Chung H S, et al. The use of generative AI for scientific literature searches for systematic reviews: ChatGPT and Microsoft Bing AI performance evaluation[J]. JMIR Med Inform, 2024, 12: e51187. DOI: 10.2196/51187

    [21]

    Hossain M M. Using ChatGPT and other forms of generative AI in systematic reviews: Challenges and opportunities[J]. J Med Imaging Radiat Sci, 2024, 55(1): 11-12. DOI: 10.1016/j.jmir.2023.11.005

    [22]

    Issaiy M, Ghanaati H, Kolahi S, et al. Methodological insights into ChatGPT's screening performance in systematic reviews[J]. BMC Med Res Methodol, 2024, 24(1): 78. DOI: 10.1186/s12874-024-02203-8

    [23]

    Gartlehner G, Kahwati L, Hilscher R, et al. Data extraction for evidence synthesis using a large language model: a proof-of-concept study[J]. Res Synth Methods, 2024, 15(4): 576-589. DOI: 10.1002/jrsm.1710

    [24]

    Kohandel Gargari O, Mahmoudi M H, Hajisafarali M, et al. Enhancing title and abstract screening for systematic reviews with GPT-3.5 turbo[J]. BMJ Evid Based Med, 2024, 29(1): 69-70. DOI: 10.1136/bmjebm-2023-112678

    [25]

    Guo E, Gupta M, Deng J W, et al. Automated paper screening for clinical reviews using large language models: data analysis study[J]. J Med Internet Res, 2024, 26: e48996. DOI: 10.2196/48996

    [26]

    Giunti G, Doherty C P. Cocreating an automated mHealth apps systematic review process with generative AI: design science research approach[J]. JMIR Med Educ, 2024, 10: e48949. DOI: 10.2196/48949

    [27]

    Dennstädt F, Zink J, Putora P M, et al. Title and abstract screening for literature reviews using large language models: an exploratory study in the biomedical domain[J]. Syst Rev, 2024, 13(1): 158. DOI: 10.1186/s13643-024-02575-4

    [28]

    Tran V T, Gartlehner G, Yaacoub S, et al. Sensitivity and specificity of using GPT-3.5 turbo models for title and abstract screening in systematic reviews and meta-analyses[J]. Ann Intern Med, 2024, 177(6): 791-799.

    [29]

    Qureshi R, Shaughnessy D, Gill K A R, et al. Are ChatGPT and large language models "the answer" to bringing us closer to systematic review automation? [J]. Syst Rev, 2023, 12(1): 72. DOI: 10.1186/s13643-023-02243-z

    [30]

    Mahuli S A, Rai A, Mahuli A V, et al. Application ChatGPT in conducting systematic reviews and meta-analyses[J]. Br Dent J, 2023, 235(2): 90-92. DOI: 10.1038/s41415-023-6132-y

    [31]

    Nashwan A J, Jaradat J H. Streamlining systematic reviews: harnessing large language models for quality assessment and risk-of-bias evaluation[J]. Cureus, 2023, 15(8): e43023.

    [32]

    Alshami A, Elsayed M, Ali E, et al. Harnessing the power of ChatGPT for automating systematic review process: methodology, case study, limitations, and future directions[J]. Systems, 2023, 11(7): 351. DOI: 10.3390/systems11070351

    [33]

    Kataoka Y, So R, Banno M, et al. Development of meta-prompts for Large Language Models to screen titles and abstracts for diagnostic test accuracy reviews[DB/OL]. (2023-11-01)[2024-07-19]. https://doi.org/10.1101/2023.10.31.23297818.

    [34]

    Trillo J R, Cabrerizo F J, Pérez I J, et al. A new consensus reaching method for group decision-making based on the large language model Gemini for detecting hostility during the discussion process[C]//2024 IEEE International Conference on Evolving and Adaptive Intelligent Systems (EAIS). Piscataway, NJ: IEEE Press, 2024: 1-8.

    [35]

    Maniaci A, Saibene A M, Calvo-Henriquez C, et al. Is generative pre-trained transformer artificial intelligence (Chat-GPT) a reliable tool for guidelines synthesis? A preliminary evaluation for biologic CRSwNP therapy[J]. Eur Arch Otorhinolaryngol, 2024, 281(4): 2167-2173. DOI: 10.1007/s00405-024-08464-9

    [36]

    Mugaanyi J, Cai L Y, Cheng S M, et al. Evaluation of large language model performance and reliability for citations and references in scholarly writing: cross-disciplinary study[J]. J Med Internet Res, 2024, 26: e52935. DOI: 10.2196/52935

    [37]

    Teperikidis E, Boulmpou A, Papadopoulos C. Prompting ChatGPT to perform an umbrella review[J]. Acta Cardiol, 2024, 79(3): 403-404. DOI: 10.1080/00015385.2023.2240120

    [38]

    Brouwers M C, Kho M E, Browman G P, et al. AGREE Ⅱ: advancing guideline development, reporting and evaluation in health care[J]. CMAJ, 2010, 182(18): E839-E842. DOI: 10.1503/cmaj.090449

    [39]

    Chen Y L, Yang K H, Marušic A, et al. A reporting tool for practice guidelines in health care: the RIGHT statement[J]. Ann Intern Med, 2017, 166(2): 128-132. DOI: 10.7326/M16-1565

    [40] 杨楠, 赵巍, 潘旸, 等. 针对临床实践指南科学性、透明性和适用性的评级工具研发[J]. 中华医学杂志, 2022, 102(30): 2329-2337. DOI: 10.3760/cma.j.cn112137-20220219-00340

    Yang N, Zhao W, Pan Y, et al. Development of a rating tool for the scientificity, transparency and applicability of clinical practice guidelines[J]. Natl Med J China, 2022, 102(30): 2329-2337. DOI: 10.3760/cma.j.cn112137-20220219-00340

    [41] 李思雨, 刁莎, 石雨晴, 等. 指南临床适用性评价工具(2.0版)[J]. 中国循证医学杂志, 2023, 23(5): 597-601.

    Li S Y, Diao S, Shi Y Q, et al. Establishment of the instrument for evaluating clinical applicability of guidelines (version 2.0)[J]. Chin J Evid-Based Med, 2023, 23(5): 597-601.

    [42]

    YesChat AI. AGREE Ⅱ analyzer-AI-powered analysis[EB/OL]. [2024-07-19]. https://www.yeschat.ai/gpts-9t557aqyOyl-AGREE-Ⅱ-Analyzer.

    [43]

    Lai H H, Ge L, Sun M Y, et al. Assessing the risk of bias in randomized clinical trials with large language models[J]. JAMA Netw Open, 2024, 7(5): e2412687. DOI: 10.1001/jamanetworkopen.2024.12687

    [44]

    Roberts R H, Ali S R, Hutchings H A, et al. Comparative study of ChatGPT and human evaluators on the assessment of medical literature according to recognised reporting standards[J]. BMJ Health Care Inform, 2023, 30(1): e100830. DOI: 10.1136/bmjhci-2023-100830

    [45]

    Woelfle T, Hirt J, Janiaud P, et al. Benchmarking human-AI collaboration for common evidence appraisal tools[DB/OL ]. (2024-04-22)[2024-07-19]. https://doi.org/10.1101/2024.04.21.24306137.

    [46] 刘辉, 杨楠, 史乾灵, 等. 医学期刊发表中国指南和共识类文献科学性、透明性和适用性评级方法学: 样本确定及专科分配[J]. 协和医学杂志, 2024, 15(2): 429-434. DOI: 10.12290/xhyxzz.2024-0112

    Liu H, Yang N, Shi Q L, et al. Methodology of scientific, transparent and applicable rankings for Chinese guidelines and consensus related literature published in the medical journals: sample identification and speciality assignment[J]. Med J PUMCH, 2024, 15(2): 429-434. DOI: 10.12290/xhyxzz.2024-0112

    [47] 张志玲, 周鹏翔, 何娜, 等. 基于临床实践指南, 应用生成式人工智能模型编写纤维肌痛患者教育材料[J]. 临床药物治疗杂志, 2024, 22(5): 7-11. DOI: 10.3969/j.issn.1672-3384.2024.05.002

    Zhang Z L, Zhou P X, He N, et al. Applying generative artificial intelligence models based on clinical practice guidelines to develop educational materials for fibromyalgia patients[J]. Clin Med J, 2024, 22(5): 7-11. DOI: 10.3969/j.issn.1672-3384.2024.05.002

    [48]

    Kresevic S, Giuffrè M, Ajcevic M, et al. Optimization of hepatological clinical guidelines interpretation by large language models: a retrieval augmented generation-based framework[J]. NPJ Digit Med, 2024, 7(1): 102. DOI: 10.1038/s41746-024-01091-y

    [49]

    Hamed E, Eid A, Alberry M. Exploring ChatGPT's potential in facilitating adaptation of clinical guidelines: a case study of diabetic ketoacidosis guidelines[J]. Cureus, 2023, 15(5): e38784.

    [50]

    Miao B Y, Almaraz E R, Ganjouei A A, et al. Generation of guideline-based clinical decision trees in oncology using large language models[DB/OL ]. (2024-03-06)[2024-07-19]. https://doi.org/10.1101/2024.03.04.24303737.

    [51]

    Wang Y S, Visweswaran S, Kapoor S, et al. ChatGPT-CARE: a superior decision support tool enhancing ChatGPT with clinical practice guidelines[DB/OL]. (2024-03-06) [2024-07-19]. https://doi.org/10.1101/2023.08.09.23293890.

  • 期刊类型引用(22)

    1. 李乔,张萌萌,卢家胜,熊庆勇,李佳遥,谢琳娜,陈烁文. 探究2023年颍淮地区内非重症呼吸道感染者病原体流行特征及现况调查. 临床肺科杂志. 2025(01): 46-51 . 百度学术
    2. 杨珊珊,马尔马尔·托乎塔尔别克,熊文娟,徐睿,湛文博. 上呼吸道感染患儿血清SAA、hs-CRP及呼吸道病原体6项检测分析. 检验医学与临床. 2025(02): 238-241+246 . 百度学术
    3. 李盼盼,李红永,倪阵,常英昊,张竹青. COPD并发急性呼吸道感染的病原菌分布与耐药分析. 实用预防医学. 2025(02): 238-241 . 百度学术
    4. 崔顺顺,段植. HIV阴性肺孢子菌肺炎51例临床特征及预后因素分析. 安徽医药. 2025(03): 519-523 . 百度学术
    5. 顾午阳,方路,李亚梅,陈煜齐. 多重PCR技术在儿童常见呼吸道病原体检测中的应用价值. 现代仪器与医疗. 2025(01): 58-62 . 百度学术
    6. 赵梓弘,马樱硕,韩彦熙,李金明,张瑞. 全国甲型流感病毒核酸检测室间质量评价. 临床检验杂志. 2025(02): 115-119 . 百度学术
    7. 陈毓,吴紫伊,徐杭聪,宋小军,陈乐扬,吕火烊,朱坤,金大智. 基于微流控芯片技术同时检测8种常见呼吸道病原体方法的建立及应用. 国际流行病学传染病学杂志. 2025(01): 24-31 . 百度学术
    8. 张国良,瞿介明. 呼吸感染性疾病诊治年度进展2023. 中华结核和呼吸杂志. 2024(02): 74-79 . 百度学术
    9. 成华,祝天宇. 多温区恒等温快速核酸检测仪温度校准方法研究. 计量与测试技术. 2024(01): 112-115 . 百度学术
    10. 廖华锋,邓振沣,肖俊新,李绍宾,肖玉龙,董庆华. 体外膜肺氧合成功救治重症H5N6禽流感患者1例. 中国热带医学. 2024(03): 358-361 . 百度学术
    11. 梁梦洁,李永鑫,张新. 甲型流感病毒分子诊断技术的研究进展. 国际检验医学杂志. 2024(13): 1640-1644+1650 . 百度学术
    12. 倪丽君,杨思敏,万菲菲,胡靓. 呼吸道病毒合并烟曲霉感染引起迁延性肺炎. 国际检验医学杂志. 2024(17): 2067-2070+2075 . 百度学术
    13. 李钊. 呼吸道感染病原菌培养结果及晶芯呼吸道病原菌核酸检测价值研究. 大医生. 2024(15): 123-125 . 百度学术
    14. 秦英,张省委,崔悦欣,徐杰,马子坤. 北京某三甲中医院发热门诊患者病原体感染变化趋势分析. 标记免疫分析与临床. 2024(08): 1407-1411+1464 . 百度学术
    15. 全球华人临床微生物暨感染学会. 成人门急诊急性呼吸道感染诊治与防控专家共识. 中华传染病杂志. 2024(06): 321-337 . 百度学术
    16. 黄斐,郭玮. 呼吸道病毒快速检测的临床应用现状与挑战. 中国临床医学. 2024(05): 826-831 . 百度学术
    17. 何维芝,赵景霖,杨翾,蒋立,许彬,韩定睿. 呼吸道病毒核酸六重联检试剂的性能验证及评价. 标记免疫分析与临床. 2024(09): 1711-1716 . 百度学术
    18. 何素稳. 呼吸道感染患者5种病原体检测结果分析. 中国社区医师. 2024(28): 83-85 . 百度学术
    19. 余梦娟,葛晓卫,刘雪莹. 呼吸道合胞病毒、人偏肺病毒和流感病毒的感染特点分析及成人感染住院的相关因素分析. 罕少疾病杂志. 2024(11): 132-134 . 百度学术
    20. 张静,张厚亮,周兴悦,刘春莉,蔡远扬,张萌,田春锁. tNGS技术在天津市发热呼吸道症候群病原特征分析的应用研究. 广州医药. 2024(12): 1421-1429 . 百度学术
    21. 韩军侠,王玉宏,王举. 社区获得性肺炎患者感染病原菌特点及危险因素分析. 中国防痨杂志. 2024(S2): 207-209 . 百度学术
    22. 国家感染性疾病临床医学研究中心,深圳市医学会感染病专业委员会,深圳市医疗感染性疾病临床质量控制中心. 靶向高通量测序技术应用于感染性疾病专家共识. 中华临床感染病杂志. 2024(06): 401-412 . 百度学术

    其他类型引用(1)

表(2)
计量
  • 文章访问数:  304
  • HTML全文浏览量:  54
  • PDF下载量:  74
  • 被引次数: 23
出版历程
  • 收稿日期:  2024-08-05
  • 录用日期:  2024-09-13
  • 网络出版日期:  2024-09-20
  • 发布日期:  2024-09-19
  • 刊出日期:  2024-09-29

目录

/

返回文章
返回
x 关闭 永久关闭