藏药AI文献挖掘与证据自动合成

要解决的问题

藏药研究有个尴尬之处：证据散落在两端——古籍（《四部医典》《晶珠本草》《月王药诊》）与现代数据库——而临床问题往往表述模糊（比如“红景天对高原病有用吗？”），很难直接进入循证医学的分析流程。这个技能做的事，是把模糊的藏药临床问题转化为结构化框架，走完从问题定义到证据分级的完整链路。

核心能力与工作流程

技能严格按七个步骤执行，不允许跳步：

1. PICO 问题结构化：将用户问题拆解为人群（注明藏医病机，如“隆偏盛”“赤巴紊乱”）、干预（同时给出藏文名、中文名与拉丁学名）、对照、结局指标（含藏医证候积分与现代医学指标）。信息不足时标注缺失项，给出“基于现有信息的近似框架”。
2. 检索策略设计：同时覆盖藏医药古籍、PubMed/CNKI/Cochrane Library 等现代数据库、专题库与临床试验注册平台，处理同义词、音译词变体与复方拆解，输出宽泛与精准两套布尔检索式。
3. 文献筛选与数据提取：按系统评价 → RCT → 非随机对照/队列 → 病例系列 → 古籍记载的优先级筛选，生成纳入研究特征表。
4. 质量评价：RCT 用 Cochrane RoB 2.0，系统评价用 AMSTAR 2，观察性研究用纽卡斯尔-渥太华量表（NOS），逐条给出风险评级与理由。
5. 证据合成：定性综合结合三因学说、六味八性十七效、君臣佐使配伍解释机制；定量部分调用 scripts/meta-analysis-simulator.py 做模拟 Meta 分析，包括异质性 I² 计算、亚组与敏感性分析。
6. GRADE 分级：按偏倚风险、不一致性、间接性、不精确性、发表偏倚五个维度逐项降级，最终给出强推荐 / 弱推荐 / 不推荐 / 反对的判定。
7. 结构化报告：输出涵盖有效性、安全性、适用人群与禁忌、研究差距与后续研究方向的完整报告。

适用边界

最关键的约束是数据来源：当前无法实时访问数据库，筛选出的文献与提取的数据均基于内部知识重构，报告中必须带 ⚠️ 标注，仅供学习参考。每个结论会附确定性等级（高度确信 / 中度确信 / 低度确信 / 纯属推测）。信息不足时，技能宁可承认“当前不足以得出可靠结论”，也不会强行合成证据。它始终保留“不替代专业意见”的声明。