AI驱动的系统性文献综述框架A4SLR：革新HEOR与HTA证据合成的智能化解决方案

为解决系统性文献综述(SLR)在健康经济学与结局研究(HEOR)和卫生技术评估(HTA)中效率低下的问题，IMO Health团队开发了基于大语言模型的A4SLR框架。该研究通过8个模块化AI代理实现了文献筛选(F1得分0.917-0.977)、偏倚评估(Cohen’s κ 0.8442-0.9064)和数据提取(F-score 0.96-0.998)的自动化，为临床决策提供高效证据支持。

　　

在医学研究爆炸式增长的今天，系统性文献综述(SLR)作为证据合成的金标准，正面临前所未有的挑战。据估算，临床研究人员需要耗费数百小时才能完成一篇高质量SLR，而健康经济学与结局研究(HEOR)和卫生技术评估(HTA)领域对时效性证据的需求却与日俱增。传统人工筛查海量文献不仅效率低下，还存在主观偏倚风险，这使得决策者常常陷入"数据丰富但证据贫乏"的困境。

针对这一痛点，IMO Health（美国伊利诺伊州罗斯蒙特）的研究团队Kyeryoung Lee、Hunki Paek等开发了革命性的A4SLR框架。这项发表在《Value in Health》的研究，首次将智能代理(Agentic AI)概念引入SLR全流程，通过模块化设计实现了从文献检索到证据合成的端到端自动化。研究团队选择非小细胞肺癌和围产期情绪焦虑障碍两个典型病种进行验证，结果显示该框架在保持学术严谨性的同时，将传统SLR的工作效率提升了一个数量级。

关键技术方法包括：1)构建8个功能互补的AI代理模块，覆盖PRISMA流程各环节；2)采用大语言模型(LLM)处理非结构化文本与表格数据；3)设计双重验证机制确保数据提取准确性；4)通过临床与经济两个应用场景验证框架普适性。研究特别关注经济模型参数与临床结局指标的精准匹配难题，这是传统自动化工具长期未能突破的技术瓶颈。

研究结果显示：在文献筛选环节，AI代理在两项疾病研究中分别达到0.977和0.917的F₁分数，显著优于传统机器学习方法；偏倚风险评估的Cohen’s κ系数稳定在0.8442-0.9064区间，显示与人工评估高度一致；最具突破性的是表格数据处理，在提取患者特征、安全性结局和成本效益参数时，F-score达到0.96-0.998，其中经济模型参数匹配准确率比基线模型提升43%。

讨论部分指出，A4SLR的创新性体现在三个方面：首先，其"人类监督下的自主决策"机制既保留专家判断又提升效率，在HTA要求的透明性方面设立新标准；其次，框架特有的文本表格协同处理能力，解决了跨研究数据标准化难题；最重要的是，模块化设计允许根据HEOR需求灵活调整证据合成策略。这些特性使其特别适合药品准入评估和临床指南更新等时效性要求高的场景。

该研究的局限在于尚未覆盖灰色文献处理和非英语研究筛选，作者建议未来整合多模态AI技术加以完善。作为首个实现SLR全流程智能化的框架，A4SLR的推出标志着医学证据合成进入"人机协同"新纪元，其开源架构有望成为HEOR领域的基础性工具，为全球医疗卫生决策提供更及时、更客观的科学依据。