Công cụ AI và phần mềm phân tích gộp: từ dữ liệu đến kết quả có thể tái lập

Trước tiên xác định câu hỏi, thiết kế nghiên cứu, kết quả, so sánh và thời điểm. Sau đó xác định thước đo hiệu ứng và dữ liệu mà việc tính toán nó yêu cầu. Đối với các khái niệm đằng sau những lựa chọn này, đọc những gì phân tích tổng hợp thực hiện . Việc chọn phần mềm sẽ theo phân tích dự định.

Một quy trình làm việc tích hợp có thể kết nối trích xuất, phân tích, biểu đồ và soạn thảo mà không cần viết mã. Một lộ trình dựa trên mã sẽ tiết lộ mã và các đối số gói để kiểm tra và tái sử dụng. Mỗi lộ trình đều phải hỗ trợ thiết kế thực tế của bạn; hiệu ứng phụ thuộc, thử nghiệm cụm và nghiên cứu đa nhánh yêu cầu hơn một nhãn phân tích tổng hợp chung.

Tách bốn giai đoạn dưới đây khi quyết định những gì cần uỷ quyền. Một con số trích xuất đúng không chứng minh rằng một phép biến đổi hoặc mô hình là thích hợp. Nếu việc lựa chọn và trích xuất nguồn vẫn chưa được giải quyết, hãy hoàn thành công việc đó trong hướng dẫn công cụ đánh giá có hệ thống .

Các ví dụ được nêu tên dưới đây được mô tả từ tài liệu nhà cung cấp đã được kiểm tra vào ngày 18 tháng 10 năm 2026. Gatsbi xuất bản hướng dẫn này và được bao gồm theo cùng các tiêu chí. Đây là các vai trò được ghi chép, không phải kết quả từ một bài kiểm tra độ chính xác so sánh. Hàng trợ lý mã hóa là một hạng mục để đánh giá, không phải sản phẩm đã được xem xét.

RevMan và metafor là phần mềm phân tích xem xét hoặc thống kê; việc sử dụng chúng cùng với một trợ lý không biến chúng thành AI tạo sinh. Ngược lại, một trợ lý trích xuất không trở thành công cụ phân tích hoàn chỉnh chỉ vì nó tạo ra một bảng. Hãy quyết định thành phần nào sẽ tính toán các chỉ số hiệu quả và mô hình của bạn.

Đối với mỗi ứng viên, liệt kê các chỉ số hiệu quả yêu cầu, thiết kế nghiên cứu, bộ ước lượng và phương pháp khoảng. Xác nhận chúng trong tài liệu của phiên bản tương ứng, sau đó kiểm tra một đầu ra nhỏ. Khi tổng quan không xác lập tính năng hoặc chi tiết xuất, hãy giữ nó được đánh dấu để xác minh thay vì giả định có hỗ trợ hay không có.

Sử dụng các định danh riêng biệt cho nghiên cứu, các báo cáo của nó và phân tích. Giữ nguyên các giá trị gốc cùng với các giá trị đã kiểm tra và các phép biến đổi. Một nghiên cứu có thể đủ điều kiện để xem xét nhưng thiếu dữ liệu cần thiết cho một kết quả hoặc khoảng thời gian theo dõi; ghi lại những điều đó như các quyết định riêng biệt.

Sổ cái giả tưởng dưới đây sử dụng ID phân tích MD_12W: hiệu số trung bình của can thiệp trừ so với đối chứng trong một chỉ số liên tục ở 12 tuần, với các điểm số thấp hơn cho thấy kết quả tốt hơn. Nghiên cứu A là cùng một báo cáo hướng dẫn giảng dạy được sử dụng trong hướng dẫn sàng lọc và trích xuất. Các nghiên cứu B và C giới thiệu một thời điểm khác và một độ lệch chuẩn bị thiếu. Đây là các dữ liệu đầu vào tưởng tượng, không phải kết quả nghiên cứu quan sát được hoặc sản phẩm đầu ra.

Nghiên cứu A cung cấp các trường hiển thị cho phép tính toán theo kế hoạch. Trung bình sáu tuần của Nghiên cứu B không thể tự nhiên trở thành giá trị 12 tuần. Nghiên cứu C yêu cầu một quyết định về dữ liệu bị thiếu đã được ghi nhận: tìm giá trị, sử dụng phép suy luận hợp lý hoặc phương pháp phân tích theo kế hoạch khi thích hợp, hoặc loại bỏ nó khỏi tổng hợp định lượng này. Không có lựa chọn nào trong số đó tự động loại bỏ một nghiên cứu đủ điều kiện ra khỏi đánh giá.

• Nhận dạng và phạm vi: study_id, report_id, analysis_id, arm, outcome, timepoint_weeks, statistic, và unit.

• Giá trị và nguồn gốc: original_value, checked_value, kích thước mẫu (n), source_location, transformation, và missing_reason. Hiển thị SD bị thiếu là không được báo cáo, không phải là số không.

• Quyết định: verification_status và include_in_analysis, kèm lý do và người đánh giá. Giữ include_in_review riêng biệt để một vấn đề dữ liệu không thể tự nhiên trở thành loại trừ nghiên cứu.

Bắt đầu với việc ánh xạ từ các trường sang phép tính. Đây là số điểm cuối cùng hay thay đổi so với đường cơ sở? Can thiệp và so sánh có đúng thứ tự dự định không? SD có được phân biệt với sai số chuẩn và khoảng tin cậy không? Hướng dẫn đo lường hiệu quả của Cochrane giải thích bối cảnh phương pháp; tài liệu của phần mềm điều chỉnh cách thực hiện.

Tính lại Nghiên cứu A giả định một cách độc lập: can thiệp trừ so sánh tại 12 tuần là 12 − 15 = −3 điểm. Đảo nhóm sẽ cho +3 từ cùng số liệu. Kiểm tra rằng kịch bản hoặc giao diện giữ nguyên thứ tự kế hoạch trước khi diễn giải hướng kết quả.

Đối với mã, kiểm tra các đối số của hàm, ánh xạ dữ liệu, xử lý giá trị thiếu, phụ thuộc gói và phiên bản chạy. Đối với giao diện tích hợp, giữ lại dữ liệu đã nhập, các cài đặt đã chọn, kết quả xuất và thông tin phiên bản có sẵn. Nếu ước lượng, phương pháp khoảng, hoặc cài đặt cần thiết khác không được hiển thị, ghi lại hạn chế và tìm sự làm rõ.

Sau đó kiểm tra phép tính bất định và mô hình cho thiết kế nghiên cứu. Dữ liệu ghép đôi, theo cụm, lặp lại và đa nhánh có thể cần xử lý khác nhau. Minh họa số học chỉ kiểm tra một phép trừ; hướng dẫn này không chọn mô hình ghép hoặc xác nhận phép tính bất định cho các nghiên cứu giả tưởng.

So sánh kết quả đầu ra với bộ dữ liệu đã kiểm tra và phân tích dự kiến. Đối chiếu số lượng nghiên cứu và người tham gia, hướng hiệu ứng, khoảng, trọng số và nhãn. Điều tra giá trị bất ngờ trước khi soạn đoạn kết quả.

Trong sổ cái này, chỉ A cung cấp các trường hiển thị cho phép tính được chỉ định. B có theo dõi sai và C thiếu SD cần thiết, vì vậy các đầu vào không đủ để đưa ra ước tính tổng hợp từ ba nghiên cứu. Một chương trình mà vẫn đưa ra ước tính cần được kiểm tra các quy tắc bao gồm và cách xử lý dữ liệu thiếu của nó.

Việc giải thích vẫn cần bối cảnh của nghiên cứu: chỉ một ngưỡng I² không nên dùng để chọn mô hình, và một kết quả không có ý nghĩa thống kê không chứng minh việc không có hiệu ứng. Hướng dẫn phân tích tổng hợp meta-analysis explainer giải thích những khái niệm này, với các phương pháp bổ sung trong chương phân tích Cochrane. Nếu việc tổng hợp không thể trả lời câu hỏi, hãy chọn đầu ra phù hợp và chuyển giao theo hướng dẫn tổng hợp bằng chứng evidence-synthesis guide.

• Mỗi hàng đóng góp thuộc về kết quả dự kiến, so sánh và theo dõi.

• Nhiều báo cáo hoặc hiệu ứng từ cùng một người tham gia không bị xử lý như là độc lập một cách tình cờ.

• Các phép biến đổi, quyết định dữ liệu thiếu và phân tích độ nhạy hiển thị bên cạnh các kết quả bị ảnh hưởng.

• Các giá trị và nhãn trong bản thảo khớp với kết quả lưu; các kết luận giữ nguyên sự không chắc chắn và giới hạn nghiên cứu.

Một đồng nghiệp nên có khả năng theo dõi phân tích từ các hồ sơ nguồn được phép đến kết quả được báo cáo. Bản khai dưới đây là một cấu trúc bạn có thể sao chép vào dự án của riêng mình, không phải là tuyên bố rằng mỗi ứng viên xuất mỗi mục. Giữ dữ liệu xuất thô, dữ liệu đã kiểm tra và đầu vào phân tích riêng biệt.

Đối với một thử nghiệm Gatsbi được đề xuất, hãy bắt đầu với các trường nghiên cứu đã được kiểm tra và một phân tích đã được chỉ định. Xem xét và chỉnh sửa đầu ra, sau đó xuất dữ liệu thô và các kết quả chính được mô tả trên trang sản phẩm. So sánh những dữ liệu xuất đó với bản khai này. Việc ánh xạ nguồn, cài đặt mô hình đầy đủ, truy cập mã và môi trường đóng băng vẫn là các mục cần kiểm tra; một báo cáo hoặc hình minh họa một mình không chứng minh được tính khả tái lập.

Khi có mã nguồn, hãy để một nhà phân tích khác chạy lại mã từ các đầu vào đã lưu. Đối với quy trình làm việc dựa trên giao diện, hãy để họ tái tạo các thiết lập và độc lập kiểm tra các phép tính chính khi có thể. Ghi lại bất kỳ phần nào không thể tái tạo, bao gồm cả phiên bản dịch vụ không khả dụng. Lưu các chỉnh sửa dưới dạng phiên bản mới kèm lý do, và đối chiếu kết quả cuối cùng với bản thảo.