下载地址
https://www.zhengdianxue.com/wp-content/uploads/skills/baitongai--literature-core-data-extraction.zip将提示词发送给你的 AI 安装该 skills
请根据 https://skillhub.cn/install/skillhub.md,安装 @baitongai/literature-core-data-extraction。- 本技能在医学事务领域提供面向医学联络官(MSL)的学术幻灯前处理工具,将临床文献中的核心数据在2-5分钟内转化为结构化表格。 文献核心数据提取(幻灯版)旨在简化和自动化从英文临床文献中定向抽取关键研究数据(P值、样本量、入排标准、疗效数据、安全性数据等维度),为医学联络官(MSL)提供高质量的幻灯制作数据输入,打通"
- 文献检索→数据提取→幻灯生成"
- 全链路。 核心能力: – 文献接收与验证 — 识别文件/粘贴/结构化列表输入,提取元信息并确认 – 核心数据提取 — 七大维度 >
- 60个字段按Schema定向抽取(研究设计、样本量、入排标准、干预对照、疗效终点、基线特征、安全性) – 数据质量自检 — 基于CONSORT/ICH标准的6项自检清单 – 结构化输出 — 三种输出格式(单篇文献数据卡片 / 多篇对比表 / ppt-generator桥接JSON) – 用户反馈与异常处理 — 覆盖7种常见异常场景(扫描件/缺P值/非劣效设计…
阅读全文 (展开查看完整说明)
概述
定位与价值
本 Skill 是一个面向学术幻灯制作前处理的医学信息提取工具。其核心价值在于:将 MSL 从"在海量英文文献中手动抠数据、反复核对、易眼花出错"的低效工作中解放出来,通过标准化的数据提取 Schema,将一篇临床文献的核心数据在 2-5 分钟内转化为结构化表格。
与已有 Skills 的关系:
- 循证医学情报官 / 临床医学文献检索系统:负责文献检索与筛选,是数据来源层
- 文献核心数据提取-幻灯版(本 Skill):对已筛选文献进行定向数据抽取与表格化
- ppt-generator:调用提取后的结构化数据,生成学术幻灯
核心约束:
- 仅限白名单文献输入:不主动检索、不推测、不补充文献来源。用户必须提供明确的文献
(PDF/DOCX 文件路径、已粘贴的文献全文/摘要文本、或从前序步骤确认的文献列表)。
- 不生成幻灯:本 Skill 仅产出数据表格,不做 PPT 排版与设计。
触发条件
应触发的情况
- MSL 学术拜访准备:需要从一篇或数篇关键文献中提取核心临床数据,以支撑拜访沟通
- KOL 沟通幻灯制作:在做幻灯前,需要将文献证据"拆解"为结构化数据点
- 学术会议演讲材料:需要将多项临床研究的核心数据并排对比
- 医学部内部培训:需要快速提炼文献关键信息用于内部分享
- 指南解读幻灯:需要提取指南引用文献中的关键数据
不应触发的情况
- 用户仅要求"检索文献"或"找几篇文章" → 使用 临床医学文献检索系统 / 循证医学情报官
- 用户直接要求"做 PPT" → 使用 ppt-generator
- 用户仅要求"翻译文献"或"总结摘要" → 不属于本 Skill 的数据抽取场景
安全边界(白名单机制)
核心原则:仅处理用户明确提供的文献,不主动检索、不推测、不补充。
合法输入
| 输入类型 | 格式 | 示例 |
|---|---|---|
| 文件路径 | .pdf, .docx | C:/Users/xxx/Desktop/NEJM_2024_article.pdf |
| 粘贴文本 | 文献全文或摘要 | 用户直接粘贴的 MEDLINE 摘要或全文 |
| 文献列表 | JSON/Markdown 表格 | 前序检索技能输出的结构化文献列表 |
非法输入(必须拒绝)
| 场景 | 处理方式 |
|---|---|
| 用户仅提供标题/主题,无实际文献内容 | 提示:"请提供具体文献文件路径或粘贴文献全文/摘要。" |
| 用户提供链接但无具体内容 | 提示:"请下载文献后提供文件路径,或直接粘贴内容。" |
| 用户要求"帮我找相关文献" | 提示:"本技能仅处理已有文献的数据提取。如需检索文献,请使用临床医学文献检索系统。" |
输入确认步骤(不可跳过)
- 接收用户输入后,首先识别输入类型(文件/粘贴文本/结构化列表)
- 展示文献基本信息(标题、期刊、年份)供用户确认
- 仅在用户确认后,开始数据提取流程
工作流程
阶段一:文献接收与验证(S – Specify the Goal)
目标:确认文献来源合法、完整、可处理。
执行步骤:
- 识别输入类型并尝试解析:
- PDF 文件:使用 Python (
PyPDF2/pdfplumber) 提取全文文本 - DOCX 文件:使用 Python (
python-docx) 提取文本 - 粘贴文本:直接使用,检测是否包含结构化摘要
- 文献列表:解析 JSON/Markdown,逐篇处理
- PDF 文件:使用 Python (
- 提取文献元信息用于确认:
- 标题
- 期刊名称
- 第一作者
- 发表年份
- PMID/DOI(如可获取)
- 将文献元信息呈现给用户确认(此步骤不可跳过)
- 若解析失败:
- PDF 扫描件/图片 → 提示用户提供可提取的文本版本或直接粘贴
- 文件损坏 → 提示用户重新提供
输出:已确认待处理的文献清单元信息。
阶段二:核心数据提取(T – Task Decomposition)
目标:按预定义 Schema 从文献中系统提取核心临床数据。
数据提取分为七大维度,按优先级顺序执行:
维度 1:研究基本信息
| 字段 | 说明 | 提取策略 |
|---|---|---|
| 文献标题 | 完整标题 | 从题录直接获取 |
| 第一作者 | Last name + Initials | 从作者列表提取第一作者 |
| 通讯作者 | Last name + Initials | 识别 "corresponding author" 标注 |
| 期刊名称 | 全称 | 从题录获取;优先使用 NLM 缩写对照 |
| 发表年份 | YYYY | 从题录获取 |
| PMID | 数字 ID | 从题录或 URL 提取 |
| DOI | 完整 DOI | 从题录或全文提取 |
| 研究简称/Acronym | 如 KEYNOTE-024, EMPA-REG | 从标题或摘要首段识别 |
维度 2:研究设计
| 字段 | 说明 | 提取策略 |
|---|---|---|
| 研究类型 | RCT / Observational / Single-arm / Meta-analysis | 关键词匹配 (randomized, observational, systematic review);注意部分文献在标题即声明 |
| 临床分期 | Phase I / II / III / IV | 关键词匹配 (phase 1/2/3/4, phase I/II/III/IV);注意区分"phase 2/3"衔接性研究 |
| 盲法 | Open-label / Single-blind / Double-blind | 关键词匹配 (open-label, single-blind, double-blind) |
| 随机化 | 是/否;若随机,注明方法(如 1:1, 2:1) | 关键词匹配 + 比例提取 |
| 多中心 | 是/否;中心数量 | 数字提取 (multicenter, N centers/sites) |
| 国家/地区 | 参与国家列表 | 从 Methods 段提取 |
| 注册号 | NCT/ChiCTR 等 | 模式匹配 (NCTd{8}, ChiCTR-w+) |
维度 3:样本量与入排标准
| 字段 | 说明 | 提取策略 |
|---|---|---|
| 总样本量 | 随机化/纳入总数 | 数字提取;区分 randomized N vs ITT N vs safety N |
| 试验组样本量 | 各组 N | 数字提取 |
| 对照组样本量 | 各组 N | 数字提取 |
| 样本量计算 | 是否有预设样本量计算 | 关键词 (sample size calculation, power, assumed) |
| 统计把握度 | Power (通常 80%/90%) | 数字+关键词 |
| 关键入组标准 | 3-5 条最重要的标准 | 从 Methods "Eligibility criteria" 段提取关键要素 |
| 关键排除标准 | 3-5 条最重要的标准 | 同上 |
| 年龄范围 | ≥18, 18-75, etc. | 数字提取 |
| 性别比例 | 男性/女性 % | 从 Table 1 提取 |
| ECOG 评分 | 0-1 / 0-2 etc. | 从入组标准提取(肿瘤领域尤重) |
维度 4:干预与对照
| 字段 | 说明 | 提取策略 |
|---|---|---|
| 试验组方案 | 药物名称 + 剂量 + 给药方式 + 周期 | 从 Methods "Treatment" 段提取 |
| 对照组方案 | 药物/安慰剂 + 剂量 + 给药方式 + 周期 | 同上 |
| 治疗时长 | 总治疗周期 | 数字+单位 (weeks/months/cycles) |
| 中位随访时间 | Median follow-up | 从 Results 提取 |
| 允许合并用药 | 关键合并用药 | 从 Methods 段提取 |
维度 5:终点定义与结果(核心)
| 字段 | 说明 | 提取策略 |
|---|---|---|
| 主要终点定义 | 精确的终点描述 | 从 Methods "Endpoints" 段提取完整定义 |
| 主要终点结果(试验组) | 数值 + 单位 | 从 Results 提取;注意区分 rate/median/mean |
| 主要终点结果(对照组) | 数值 + 单位 | 同上 |
| 效应量类型 | HR / OR / RR / RD | 从 Results 提取 |
| 效应量值 | 如 HR=0.72 | 精确数字提取 |
| 95% CI | 如 0.60-0.86 | 精确区间提取 |
| P 值 | 精确 P 值(如 P=0.001)或 P<0.05/P<0.001 | 最高优先级提取字段;注意区分单侧/双侧 |
| 是否达到统计学意义 | Yes/No | 基于 P 值与预设 α 水平判断 |
| 关键次要终点1 定义 | 完整的终点描述 | 从 Methods 提取 |
| 关键次要终点1 结果 | 效应量 + CI + P 值 | 同主要终点提取逻辑 |
| 关键次要终点2 定义 | 完整的终点描述 | 同上 |
| 关键次要终点2 结果 | 效应量 + CI + P 值 | 同上 |
| 亚组分析关键发现 | 重要的亚组差异 | 提取交互 P 值 |
P 值提取特殊规范(详见 references/statistical_conventions.md):
- 精确 P 值优先于范围表述(P=0.032 优于 P<0.05)
- 区分主要终点 P 值与次要终点 P 值
- 标注多重性校正方法(如 Bonferroni, Hierarchical testing)
- 亚组分析记录交互 P 值,非各组分别 P 值
维度 6:基线特征关键数据
| 字段 | 说明 | 提取策略 |
|---|---|---|
| 年龄(中位/均值) | 试验组 vs 对照组 | 从 Table 1 提取 |
| 男性比例 | 试验组 vs 对照组 | 从 Table 1 提取 |
| 关键基线指标 | 疾病特异性(如 HbA1c, LVEF, PD-L1 TPS) | 根据提示词中指定的疾病领域定向提取 |
| 既往治疗线数 | 中位/均值 | 从 Table 1 提取(肿瘤领域尤重) |
维度 7:安全性关键数据
| 字段 | 说明 | 提取策略 |
|---|---|---|
| Any Grade AE 发生率 | 试验组 vs 对照组 | 从 Results "Safety" 段提取 |
| Grade ≥3 AE 发生率 | 试验组 vs 对照组 | 同上 |
| SAE 发生率 | 试验组 vs 对照组 | 同上 |
| 因AE停药率 | 试验组 vs 对照组 | 同上 |
| 治疗相关死亡 | 数量 + 发生率 | 同上 |
| 重点关注AE | 根据药物类别指定(如免疫相关AE、心血管事件) | 在用户提示词中明确,默认提取 Top 5 |
阶段三:数据质量自检(E – Embed the Theory)
目标:确保提取数据的准确性和完整性。
自检清单(基于 CONSORT 2010 / ICH E6(R3) 标准):
- [ ] P 值是否准确对应主要终点?(非次要终点、非亚组分析、非事后分析)
- [ ] 样本量是否区分了 Randomized / ITT / Safety 人群?
- [ ] 效应量与 CI 是否匹配一致?
- [ ] 入排标准是否来自最终方案而非早期方案?
- [ ] 基线数据是否来自 Table 1 而非正文描述?
- [ ] 安全性数据是否标注了评估人群(Safety Population)?
不确定性标记:若某字段在文献中无法明确提取,以 ⚠️ 未明确报告 标记,不得臆造数据。若存在歧义(如两种可能的解读),以 ⚠️ 待确认:[具体歧义描述] 标记。
阶段四:结构化输出(S – Set the Format)
目标:将提取数据按规范格式输出为结构化表格。
输出格式 1:单篇文献数据卡片(默认)
## 📋 文献核心数据卡片
### 基本信息
| 字段 | 内容 |
|------|------|
| 研究简称 | EMPA-REG OUTCOME |
| 标题 | Empagliflozin, Cardiovascular Outcomes, and Mortality in Type 2 Diabetes |
| 第一作者 / 通讯作者 | Zinman B / 无标注 |
| 期刊 | N Engl J Med |
| 年份 | 2015 |
| PMID / DOI | 26378978 / 10.1056/NEJMoa1504720 |
| 研究类型 | RCT, Phase III |
| 注册号 | NCT01131676 |
### 研究设计与样本
| 字段 | 内容 |
|------|------|
| 盲法 | Double-blind |
| 随机化 | 1:1:1 (Empa 10mg : Empa 25mg : Placebo) |
| 多中心 | 是,42 个国家 590 个中心 |
| 总样本量 | 7,020 (Randomized) |
| 各组样本量 | Empa 10mg: 2,345; Empa 25mg: 2,342; Placebo: 2,333 |
| 关键入组标准 | T2DM, HbA1c 7.0-10.0%, eGFR ≥30, 确诊CVD, ≥18岁 |
| 关键排除标准 | eGFR <30, 严重肝病, 未控制高血压 |
| 中位随访 | 3.1 年 |
### 疗效数据(主要终点)
| 字段 | 内容 |
|------|------|
| 主要终点定义 | 3P-MACE: CV 死亡 + 非致死性MI + 非致死性卒中 |
| Empa 组发生率 | 10.5% (490/4,687) |
| Placebo 组发生率 | 12.1% (282/2,333) |
| HR (95% CI) | 0.86 (0.74-0.99) |
| P 值 | P=0.04 (优效性) |
| 是否达统计学意义 | 是 (P<0.05) |
### 关键次要终点
| 终点 | HR (95% CI) | P 值 |
|------|-------------|------|
| CV 死亡 | 0.62 (0.49-0.77) | P<0.001 |
| 全因死亡 | 0.68 (0.57-0.82) | P<0.001 |
| 心衰住院 | 0.65 (0.50-0.85) | P=0.002 |
### 安全性(关键指标)
| 指标 | Empa 汇总 (%) | Placebo (%) |
|------|:------------:|:-----------:|
| Any AE | — | — |
| SAE | — | — |
| 因AE停药 | — | — |
⚠️ 未明确报告: Any AE 发生率在正文中未以具体百分比呈现输出格式 2:多篇文献对比表(用户明确指定多篇时使用)
## 📊 多篇文献核心数据对比
### 研究设计对比
| | Study 1 | Study 2 | Study 3 |
|---|---------|---------|---------|
| 研究简称 | EMPA-REG | DECLARE-TIMI 58 | DAPA-HF |
| 期刊/年份 | NEJM/2015 | NEJM/2019 | NEJM/2019 |
| 研究设计 | RCT, DB, Ph3 | RCT, DB, Ph3 | RCT, DB, Ph3 |
| 总 N | 7,020 | 17,160 | 4,744 |
| 中位随访 | 3.1y | 4.2y | 1.5y |
### 主要终点对比
| | Study 1 | Study 2 | Study 3 |
|---|---------|---------|---------|
| 主要终点 | 3P-MACE | MACE + 心衰住院 | CV死亡 + 心衰恶化 |
| HR (95% CI) | 0.86 (0.74-0.99) | 0.93 (0.84-1.03) | 0.74 (0.65-0.85) |
| P 值 | 0.04 | 0.17 | <0.001 |
### 入排标准对比
| | Study 1 | Study 2 | Study 3 |
|---|---------|---------|---------|
| 关键入组 | T2DM+确诊CVD | T2DM+CVD或MRF | HFrEF (EF≤40%) |
| eGFR 下限 | ≥30 | ≥60 (CrCl) | ≥30 |
| HbA1c | 7.0-10.0% | 6.5-12.0% | — |输出格式 3:ppt-generator 桥接格式(可选)
当用户明确需要衔接 ppt-generator 时,额外输出一份键值对 JSON:
{
"study_meta": {
"acronym": "EMPA-REG OUTCOME",
"title_short": "Empagliflozin CV Outcomes in T2DM",
"journal_year": "NEJM 2015",
"design": "RCT, Double-blind, Phase III"
},
"key_numbers": {
"total_n": "7,020",
"follow_up": "3.1 years",
"primary_endpoint": "3P-MACE",
"hr": "0.86",
"ci": "0.74-0.99",
"p_value": "0.04",
"interpretation": "Empagliflozin 显著降低 3P-MACE 风险 14%"
},
"slide_takeaway": "对于合并 CVD 的 T2DM 患者,恩格列净在标准治疗基础上显著降低主要心血管不良事件风险 14% (HR 0.86, 95% CI 0.74-0.99, P=0.04),需治疗 3.1 年。"
}阶段五:用户反馈与异常处理(F — Design Feedback)
常见异常与处理
| 异常场景 | 处理方式 |
|---|---|
| PDF 无法提取文本(扫描件) | 提示:"该 PDF 为扫描件,无法自动提取文本。请提供可提取文本的版本,或直接粘贴文献内容。" |
| 文献中缺少 P 值 | 标记 ⚠️ P值未报告;提示用户该文献可能仅报告了效应量估计值,需人工补充 |
| 文献报告的是非劣效/等效性设计 | 明确标注研究假设类型(优效/非劣效/等效),并提取对应的界值(δ) |
| 多个主要终点(co-primary) | 全部提取,标注多重性校正策略;若无校正则标注 ⚠️ 多重终点未校正膨胀I类错误 |
| 亚组数据被要求提取但文献未提供 | 标记 ⚠️ 文献未报告该亚组数据 |
| 安全性数据仅以图形呈现 | 基于图形估算(标注 ⚠️ 从图中估算)或标记为无法提取 |
| 用户提供的文献超出白名单 | 执行阶段一的输入确认,拒绝处理非白名单来源 |
用户自定义字段
若用户在提示词中指定了额外提取字段(如特定生物标志物、特定不良事件),在标准输出表后追加"用户自定义字段"部分,按相同格式处理。
技术实现要点
文献文本提取工具
PDF 处理:
# 优先使用 pdfplumber(更好的表格/列识别)
pip install pdfplumber
# 备选:PyPDF2
pip install PyPDF2DOCX 处理:
pip install python-docx数据提取策略
- 关键词定位:在 Methods 段搜索 "primary endpoint", "sample size", "eligibility"
- 模式匹配:P 值正则
Ps*[=<]s*0?.d+, HR/OR/RR 正则(HR|OR|RR)s*[=:]s*d+.d+ - 上下文提取:提取关键数字前后 2-3 句作为验证上下文
- 表格优先:样本量和基线特征以 Table 1 为权威来源
依赖项
- Python 3.9+
pdfplumber(PDF 文本提取)python-docx(DOCX 文本提取)PyPDF2(PDF 备选方案)
更新日志
v1.0 (2026-07-06)
- 初始版本:七大维度数据提取框架
- 白名单输入安全机制
- 三种输出格式(单篇卡片、多篇对比、ppt-generator 桥接)
- 基于 STEPS-PRO 框架设计