在實證醫學與臨床公共衛生研究中，進行系統文獻回顧（Systematic Reviews）的研究團隊配置 Elicit 的 PICO 標準，關鍵在於善用 Elicit 專屬的系統文獻回顧工作流程（Systematic Review / Review 模式），將研究對象（Population）、介入措施（Intervention）、對照組（Comparator）與臨床結局（Outcome）轉化為模組化的結構化篩選準則，並搭配雙人獨立盲篩或人機協同機制執行初篩。此方案將過往數千篇初篩文獻的雙人盲審瓶頸，轉型為符合 PRISMA 2020 規範的半自動化流程，同時為每一項納入與排除決策提供精準至句子層級的摘要原文引證。
完成一篇符合 Cochrane 規範的高質量系統文獻回顧，通常需要在初篩階段檢索並審查 3000 至 10000 篇文獻的標題與摘要。依據國際流行病學規範，此階段必須由兩名研究員背對背獨立盲篩，以消除選擇偏差。這段過程往往耗費數百小時的人力工時，容易因審稿疲勞導致漏篩或標準漂移。Elicit 的出現為解決這項效率瓶頸提供了具備實證基礎的工程化解方。
1. 事前準備與 Elicit 工作流程模式選擇
Elicit 針對學術研究提供了多種工作模式，涵蓋基礎文獻探索、自動化研究簡報（Research Reports）以及專門的系統文獻回顧工作流程（Systematic Review / Review 模式）。配置多維度初篩規則表、句子層級引文字段以及團隊雙人盲篩權限，需要使用 Elicit 的付費訂閱版本（Pro、Scale 或 Enterprise 方案）。
在正式配置篩查規則前，研究團隊應完成以下計畫準備：
- 研究計畫註冊：在 PROSPERO 或 OSF 平台完成系統文獻回顧計畫書（Protocol）註冊，確立既定的納排標準。
- PICO 要素的操作化拆解：將臨床問題轉化為邊界明確、具備二元判斷特性的檢驗條件，避免使用模糊修飾詞。
- 檢索策略確立：釐清初篩文獻庫是透過外部多資料庫聯合檢索後匯入，還是仰賴工具內建檢索。
2. 操作指南：從 PICO 臨床架構到機器可執行的初篩規則
第一步：建立系統文獻回顧任務並注入臨床背景
- 進入 Elicit 控制台，在工作流程選擇器中選取 Systematic Review。
- 在核心問題輸入框中填入規範的臨床文獻回顧問題（例如：GLP-1 受體促效劑對比 SGLT-2 抑制劑在伴隨慢性腎臟病的成人第 2 型糖尿病患者中的臨床療效與安全性為何？）。
- 展開 Setup 設定頁面中的 Additional Context（補充背景資訊） 自由文字欄位。該欄位是引導 Elicit 產生精準篩選題的核心依據。在此處依清晰的 PICO 結構輸入計畫書細則：
- Population（研究對象）：受試者年齡下限、明確診斷的疾病分期、共病範圍以及絕對排除的族群（如洗腎期末期腎病或懷孕婦女）。
- Intervention（介入措施）：符合條件的藥物通用名、藥理分類、給藥途徑及劑量範圍。
- Comparator（對照組）：對照組設定，包含活性對照藥物、常規降血糖治療或安慰劑。
- Outcomes（臨床結局）：主要終點與次要終點（如 eGFR 下降速率、蛋白尿改善、主要心血管不良事件、全因死亡率及特定不良藥物反應）。
- Study Design（研究設計）：嚴格限制的研究類型（例如隨機對照試驗 RCT，追蹤時間不少於 12 週；明確排除動物實驗、體外細胞實驗、社論、病例報告及非系統性文獻回顧）。
第二步：匯聚初篩文獻庫（雙軌檢索策略與 PRISMA 合規）
Elicit 支援透過兩種方式建立文獻隊列：呼叫其內建的語意索引庫（基於涵蓋逾 1.26 億篇學術文獻的 Semantic Scholar 資料庫），或直接由外部批次匯入文獻檔案。
在嚴格遵循 PRISMA 2020 規範的實證醫學文獻回顧中，研究團隊切勿僅依賴 Elicit 內建檢索。權威方法學評估（如 2025 年 Cochrane 與 BMC 實證研究）顯示，Elicit 內建檢索的精確率（Precision）雖然表現優異（平均約 41.8%），但其敏感度（Sensitivity / Recall）平均僅約 39.5%，遠低於圖書資訊專家在 PubMed、Embase 和 Cochrane CENTRAL 實施多資料庫布林檢索所能達到的 94% 以上水準。
合規的雙軌實務操作為：
- 由醫學圖書資訊專家在 PubMed、Embase、Web of Science 和 CENTRAL 等核心庫中完成標準檢索式檢索。
- 在書目管理軟體（如 EndNote、Zotero 或 Covidence）中完成跨庫去重。
- 將去重後的最終書目庫匯出為標準 RIS 或 BibTeX 格式。
- 在 Elicit 的 Gather 步驟中，直接上傳該 RIS 檔案，將完整的文獻清單批次匯入初篩佇列。
第三步：配置並微調 PICO 結構化篩查準則
文獻載入完成後，Elicit 會結合先前輸入的上下文自動建議一組篩選規則。研究人員必須進入自訂準則介面，將每項規則細化為結構化判別欄位：
| PICO 維度 | 臨床架構細則範例 | Elicit 規則定義提示語句 | 判別輸出模式 |
|---|---|---|---|
| 研究對象 (P) | 年滿 18 歲伴隨 3-4 期 CKD 的第 2 型糖尿病患者 | "Does the study population consist of adult patients (>=18 years) with confirmed Type 2 Diabetes and CKD?" | 二元判定 (Met / Not Met / Uncertain) |
| 介入措施 (I) | 獲准上市的 GLP-1 受體促效劑（如 semaglutide、dulaglutide） | "Does the study evaluate a GLP-1 receptor agonist intervention?" | 二元判定 (Met / Not Met / Uncertain) |
| 對照組 (C) | SGLT-2 抑制劑、標準降血糖治療或安慰劑 | "Is there an active comparison group using SGLT-2 inhibitors or placebo?" | 二元判定 (Met / Not Met / Uncertain) |
| 臨床結局 (O) | 腎功能惡化指標、心血管事件、死亡率 | "Does the study report renal outcomes (e.g., eGFR, proteinuria) or mortality?" | 二元判定 (Met / Not Met / Uncertain) |
| 研究設計 (S) | 平行組隨機對照試驗，追蹤期至少 12 週 | "Is the study an RCT in humans with at least 12 weeks follow-up duration?" | 二元判定 (Met / Not Met / Uncertain) |
配置準則的核心原則：
- 規則原子化拆解：避免將多個複合條件塞進單條規則。例如，將「成年族群」與「3-4 期 CKD」拆分為兩欄獨立判定，便於後續對混合族群研究進行亞組審查。
- 設定明確排除條件：新增專門的排除欄位（如「排除未發表同儕審查全文之會議摘要」、「排除動物實驗模型」）。
- 指派準則權重（Importance）：在系統內標記核心必備條件（如人類受試者與 RCT 設計）與次要條件，賦予不同的篩選裁決權重。
第四步：執行自動化初篩與句子層級證據查核
啟動初篩後，Elicit 將自動遍歷佇列中每篇文獻的標題與摘要：
- 逐項規則評定：Elicit 針對每篇摘要獨立執行配置的 PICO 規則欄位，回傳 Met（符合）、Not Met（不符合） 或 Uncertain（存疑）。
- 證據原文溯源（Quote Grounding）：點選任一儲存格，系統會直接展開該判定在摘要中對應的原始句子片段。例如，當論文被判定為「介入措施不符合」時，介面會高亮顯示摘要中提及的使用其他聯合藥物的原文依據。
- 綜合評分與推薦建議：Elicit 根據符合準則的權重綜合計算相關度分數，並給出系統推薦結論：Include（納入）、Exclude（排除） 或 Review（人工審查）。
- 互動式試算表篩選：支援按具體標準過濾，例如快速過濾出「對照組標記為存疑」的所有文獻，讓審稿人進行高效率定向複核。
第五步：啟用雙人獨立盲篩與分歧裁決機制
PRISMA 2020 強調初篩過程必須具備審稿獨立性。Elicit 支援兩種主流的團隊協作模式：
- 模式 A：單人審查 + Elicit 作為第二審稿人：由一名人類研究員逐篇獨立審核，Elicit 在背景作為獨立的第二審稿人提出判斷。系統自動彙整兩者意見，重點標記判定不一致的文獻（例如人類選納入但 Elicit 建議排除），由人類團隊開會裁決。
- 模式 B：雙人盲篩 + AI 智慧排序賦能：兩位人類研究員在工作區內背對背盲篩，彼此無法查看對方的評分與決定。Elicit 的相關度評分用於將文獻佇列由高至低重新排序，使高機率納入的文獻優先呈現。雙方篩查完畢後，系統一鍵解盲並產生一致性檢驗報告（如 Cohen's Kappa 指標）與衝突清單。
在任何模式下，人類研究員均擁有最高決策權（Manual Override）。覆寫 AI 決定時，研究員可下拉選擇 PRISMA 標準排除分類（如「研究對象不符」、「臨床結局缺失」或「非目標研究類型」）。
第六步：匯出 PRISMA 2020 審計清單與銜接全文篩選
初篩完成後，團隊可匯出完整的篩選資料表：
- 匯出格式：支援匯出 CSV 或 Excel 表格，完整包含書目詮釋資料、逐項 PICO 判定狀態、句子層級原文佐證、人工仲裁歷程以及最終納排結論。
- 繪製 PRISMA 2020 流程圖：匯出的統計數據可直接填入 PRISMA 流程圖的標準模組（包含初始檢索筆數、去重剔除數、標題摘要初篩數、附帶分類原因的排除文獻數，直至擬取得全文評估之文獻數）。
- 銜接後續流程：進入全文篩選（Full-text screening）及數據擷取階段。透過安裝 Elicit 瀏覽器擴充功能，團隊可直接調用所屬機構大學之訂閱權限，批次取得初篩納注文獻的 PDF 全文。
3. 方法學表現、實證依據與權衡取捨
將 Elicit 導入系統文獻回顧實務時，生物醫學團隊需清晰掌握該工具的能力邊界與方法學權衡。
高精確率與敏感度波動的取捨
國際同儕審查的最新實證研究顯示：
- 顯著提升的精確率（約 41.8%）：受惠於細緻的 PICO 語意比對，Elicit 剔除無關文獻的能力極為突出，遠高於傳統廣泛布林檢索後僅 1%-15% 的初篩命中率。
- 臨床主題複雜度對敏感度的影響：在介入手段明確、終點單純的藥理學隨機對照試驗中，Elicit 的敏感度表現優異（接近 70%-94%）；但在介入手段多元、定義較廣泛的臨床公共衛生回顧中，若摘要未直接出現標準醫學詞彙，AI 漏篩的風險會顯著增加。
臨界評分的審查警覺
Elicit 仰賴評分門檻（Cut-off score）劃分納入與排除。實證指出，部分處於臨界分數線（如滿分 5 分中的 4.8 分臨界點）的文獻可能因權重微調出現判定漂移。因此，團隊在研究計畫中應建立強制查核機制：凡是綜合評分落在門檻上下 10% 區間內的臨界文獻，必須全數由人工進行二次複核，嚴禁一鍵批次排除。
RAISE 架構與倫理合規
依據醫學證據整合負責任人工智慧（RAISE）架構規範，AI 工具不具備道德與學術責任主體資格。Elicit 的核心價值在於其完全透明的證據溯源鏈條，使每一個判定都能在原文中找到依據。研究團隊在發表系統文獻回顧論文時，必須在 Methods（方法）章節詳實揭露：所用 Elicit 版本號、具體配置的 PICO 規則語句、AI 作為輔助審稿人的角色分工以及人工仲裁流程，確保研究過程完全可稽核、可重現。
4. 生物醫學系統文獻回顧團隊最佳實務檢核清單
- 堅持檢索與初篩工具分離：使用 PubMed/Embase 實施黃金標準全面檢索，將去重後的文獻庫匯入 Elicit 進行初篩，切勿僅依賴單一 AI 內建搜尋。
- 開展 50 篇小樣本規則預試驗：在全庫執行前，先抽取 50 篇具代表性文獻進行測試，校準 PICO 規則設定與系統判定表現。
- 排除文獻全量或抽樣複核：鑑於實證醫學中偽陰性（漏篩有效試驗）的危害遠大於偽陽性（多讀一篇無關文獻），團隊應對 AI 排除的文獻進行至少 20% 的隨機抽驗以及臨界文獻的 100% 人工複核。
- 留存版本化決策快照：每次篩查匯出完整且帶有時間戳記的原始判定表格，作為因應同儕審查質詢的完備審計軌跡。
參考資料
- Blog | Elicit: AI for research & decision-making
- Comparison of Elicit AI and Traditional Literature Searching in Evidence Syntheses Using Four Case Studies - PMC
- Using artificial intelligence for systematic review: the example of elicit - PMC
- The PRISMA 2020 statement: an updated guideline for reporting systematic reviews - PMC
- Development and evaluation of prompts for a large language model to screen titles and abstracts in a living systematic review - PMC