《Clinical and Public Health Guidelines》：Integrating Artificial Intelligence and Automation Into Living Guideline Development: A Scoping Review of Existing Frameworks, Methods, and Applications
编辑推荐：
背景：人工智能（AI）和自动化为提高生活指南（LGs）的效率、及时性和可持续性提供了机会。然而，AI和自动化如何整合到现有的LG制定框架中尚不清楚。本范围综述是一项更广泛工作计划的第一步，旨在开发一个框架，以指导在LG制定的所有阶段中负责任且协调地采用AI。
背景：人工智能（AI）和自动化为提高生活指南（LGs）的效率、及时性和可持续性提供了机会。然而，AI和自动化如何整合到现有的LG制定框架中尚不清楚。本范围综述是一项更广泛工作计划的第一步，旨在开发一个框架，以指导在LG制定的所有阶段中负责任且协调地采用AI。
目标：识别将AI或自动化整合到LG制定任何阶段的现有框架、方法和途径。
方法：研究人员对PubMed、Embase、Web of Science、Scopus、Cochrane系统评价数据库和Cochrane对照试验中心注册库进行了结构化检索，检索时间从建库至2026年3月12日。研究人员纳入了描述在LG制定中应用AI或自动化的框架、模型或方法的同行评审文章。研究人员将数据提取到标准化表格中，捕获研究特征、AI方法、目标指南流程和主要发现，并使用主题叙述方法综合发现。
结果：在1090条记录中，3项研究符合纳入标准。纳入的研究描述了AI或自动化应用于LG流程的选定组件，以支持连续证据监测、半自动化研究筛选以及生活系统评价的增量更新。没有一项研究以整合方式处理LG制定的多个阶段。
结论：当前证据表明，在LG制定过程中，AI或自动化的应用是碎片化且狭窄聚焦的。研究人员的发现为未来工作提供了机会，以开发和评估覆盖LG生命周期多个阶段的更全面框架。
**论文解读文章**
生活指南（LGs，一种允许在新证据出现后立即更新单个推荐的指南制定优化过程）通过持续证据监测、快速合成和迭代更新，显著提升了指南的时效性。然而，其可持续性和响应性受到人工流程和缺乏数字系统整合的限制。人工智能（AI，模拟人类智能的计算机系统）和自动化（使用技术执行任务，减少人工干预）技术为提高效率、及时性和可持续性提供了机会，但如何将AI和自动化系统性地整合到现有LG制定框架中仍不明确。现有指导性倡议（如负责任AI证据合成合作RAISE、GIN-McMaster指南制定检查表扩展、FUTURE-AI共识等）提供了原则性框架，但未专门针对LGs。因此，本范围综述旨在识别和描述将AI和/或自动化应用于LG制定任何阶段的现有框架、模型和方法，并综合关键差距和未来方法学发展领域，为设计更整合的LG框架提供信息。该论文发表在《Clinical and Public Health Guidelines》。
研究人员开展了一项范围综述，对PubMed、Embase、Web of Science、Scopus、Cochrane系统评价数据库和Cochrane对照试验中心注册库进行了结构化检索，时间截至2026年3月12日。采用人类与AI（GPT-4）辅助的双人筛选方法，独立完成标题/摘要和全文筛选，并通过第三方裁决解决分歧。数据提取到标准化表格，使用描述性主题分析方法对结果进行综合。结果仅识别出3项符合纳入标准的研究，均聚焦于证据监测和合成阶段，未涉及推荐生成、稿件撰写或传播等下游阶段。结论表明，当前AI或自动化在LG制定中的应用是碎片化且狭窄聚焦的，缺乏覆盖整个LG生命周期的端到端框架，同时存在治理、透明度和实证评估方面的显著空白。该发现强调了未来工作需要开发和评估更全面的框架，并关注治理、透明度和可持续性，对指南制定者、政策制定者和方法学组织具有重要启示。
**关键技术方法**（不超过250字）：主要技术方法包括：1）结构化文献检索策略，覆盖多个生物医学和技术数据库（PubMed、Embase等）；2）使用Living Interactive Evidence (LIvE)平台进行双人筛选，其中人类审稿人（N.I.）与AI辅助审稿人（GPT-4）独立完成筛选，第三方（S.A.A.N.）裁决分歧；3）数据提取到标准化表格，捕获研究特征、AI方法、目标指南流程和关键发现；4）采用描述性主题分析方法（而非正式定性编码）对结果进行综合。未涉及样本队列来源。
**研究结果**：
**3.1 纳入研究特征**：通过详细描述三项研究（Kaiser & Miksch 2009，奥地利；Riaz et al. 2024，美国；Martins-Pfeifer et al. 2026，美国），得出这些研究均聚焦于证据生成、合成和维护阶段，未涉及推荐生成、稿件撰写或传播。Kaiser & Miksch提出了LASSIE（建模治疗过程使用信息提取）方法，用于半自动更新计算机可解释的临床指南；Riaz et al.提出了AI支持的线性整合交互式证据合成框架（living interactive evidence synthesis framework），实现实时证据更新；Martins-Pfeifer et al.描述了覆盖整个指南生命周期的生活指南制定框架，但仅在证据合成阶段融入自动化元素。
**3.2 描述性主题发现**：
**3.2.1 生活系统评价的证据监测自动化**：通过Martins-Pfeifer et al.和Riaz et al.的研究，得出AI可用于连续文献监测，通过自动化的定期数据库查询（可能通过应用程序编程接口API）和机器学习辅助的优先级排序，实现更及时的生活系统评价更新。
**3.2.2 半自动化筛选与研究选择**：通过Martins-Pfeifer和Riaz et al.的描述，得出AI或机器学习算法可用于辅助筛选和选择研究，采用“人类在环”混合方法，减少人工工作量，但仍需人类验证准确性。
**3.2.3 机器辅助的数据提取与结构化**：Kaiser & Miksch的LASSIE模型强调半自动检测指南手稿中修改的文本，跟踪不变组件，支持动态指南制定。Riaz et al.也设想使用新变体语言和大型语言模型（LLMs）在人类监督下支持数据提取。
**3.2.4 证据输出的实时或增量更新**：Riaz et al.提出实时重新计算（生活meta分析或连续累积meta分析），Martins-Pfeifer et al.提出AI辅助的生活证据审查，共同强调增量更新的概念。
**3.2.5 AI增强证据生态系统的概念化**：Riaz et al.提出了一个更广泛的整合自动化证据生态系统的概念愿景，表明AI可贡献于搜索、筛选、提取和合成，尽管操作化仍然有限。
**3.3 识别的证据空白**：
**3.3.1 缺乏覆盖生活指南生命周期的端到端框架**：没有一项研究呈现覆盖整个LG开发周期的框架，关键阶段如规划（协议开发）、推荐起草、报告、传播和监测未被涉及。
**3.3.2 缺乏治理、透明度和与负责任AI标准的一致性**：没有研究描述治理结构或质量控制，未提及与经济合作与发展组织（OECD）AI原则、欧盟伦理指南或FUTURE-AI标准的一致性，缺乏对问责、可解释性和风险管理的关注。
**3.3.3 在真实世界生活指南过程中AI工具的有限实证评估**：AI和自动化的应用主要停留在概念或原型层面，缺乏在真实LG制定环境中的实证评估，只有Kaiser & Miksch进行了试点，但技术架构可能过时。
**讨论总结**：尽管AI工具在证据合成中取得进展，但在LG制定中的系统整合仍处于早期阶段。现有指南倡议（如RAISE、GIN-McMaster扩展、FUTURE-AI）提供原则性指导，但未专门针对LGs。LGs的连续监测和迭代更新特性增加了整合点和治理需求，需要调整现有框架。本综述的优势包括全面的检索策略和透明的筛选过程；局限性包括仅限英文、灰色文献缺失、未进行质量评价等。未来方向包括通过专家咨询和德尔菲法开发综合框架，并在真实LG环境中进行试点评估。
**研究结论部分翻译**：尽管进行了广泛检索，仅识别出三项符合条件的研究，证实了将AI和自动化整合到LG制定中的研究仍处于起步阶段。有限的证据基础验证了开发结构化、透明且专家知情的框架以指导该领域未来创新的必要性。
