XiaoMi-AI文件搜索系统
World File Search System主题词
引文详情：Brown,P.、RELISH Consortium、Zhou,Y。大型专家精选数据库，用于对生物医学文献搜索中的文档相似性检测进行基准测试。数据库 (2019) 第 2019 卷：文章 ID baz085；doi：10.1093/database/baz085
用于查找相关文献的文档推荐系统大多依赖于十年前开发的方法。这主要是因为缺乏一个涵盖各种研究领域的大型离线黄金标准相关文献基准，以便可以比较、改进新开发的文献检索技术并将其转化为实践。为了克服这个瓶颈，我们成立了 RE 相关文献搜索联盟，该联盟由来自 84 个国家的 1500 多名科学家组成，他们共同注释了超过 180,000 篇 PubMed 收录文章与其各自的种子（输入）文章的相关性。大多数注释都是由经验丰富的种子文章原作者提供的。收集到的数据涵盖了 76% 的所有唯一 PubMed 医学主题词描述符。在不同经验水平、研究领域或注释时间之间未观察到系统性偏差。更重要的是，不同科学家对相同文档对的注释高度一致。我们进一步表明，用于生成推荐文章以供评估的三种代表性基线方法（Okapi Best Matching 25、词频 - 逆文档频率和 PubMed 相关文章）具有相似的总体性能。此外，我们发现这些方法各自倾向于生成不同的推荐文章集合，这表明可能需要一种混合方法来完全捕获所有相关文章。位于 https://relishdb.ict.griffith.edu.au 的已建立数据库服务器可免费下载注释数据和盲测新方法。我们预计，该基准将有助于促进开发新的强大技术，用于生物医学研究中的相关文章的标题和基于标题/摘要的搜索引擎。
2022; 13(6): 1785-1795. doi: 10.7150/jca.68453 研究论文 弥漫大 B 细胞淋巴瘤治疗的全球研究趋势：文献计量
弥漫大B细胞淋巴瘤（DLBCL）是最常见的淋巴瘤亚型。近几十年来，DLBCL的治疗有了很大的进步，发表了数千篇论文。我们对DLBCL治疗的文献进行了文献计量分析，讨论了作者、国家和机构之间的合作，并确定了DLBCL治疗的研究热点。我们使用“弥漫大B细胞淋巴瘤或DLBCL”和“治疗或疗法或临床试验”作为主题词搜索Web of Science核心合集（WOSCC），并分析了数据库提供的出版年份、研究方向、国家/地区、机构、作者、来源出版物、资助机构分布等情况。此外，使用科学计量学软件分析文献引用和合作出版物。使用https://bibliometric.com/app和VOSviewer进行文献计量分析。生成网络图以评估不同作者、国家、机构和关键词之间的合作关系。 2021年2月19日，WOSCC共检索到7255篇关于DLBCL治疗的研究。我们发现，从1999年到2021年，出版物数量逐渐增加，并且这种趋势在过去3年中相对稳定。发表出版物最多的国家是美国、中国和日本。在机构中，德克萨斯大学MD安德森癌症中心发表的论文最多。此外，美国的年度出版物、引用、期刊来源分布和资金也最多。国家之间的合作研究对DLBCL的治疗也相对重要。治疗方案如CHOP和R-CHOP，以及免疫治疗（CAR-T、PD1/PDL1和CAR-NK等）受到越来越多的关注。对DLBCL治疗相关研究的文献计量分析可以帮助研究人员和临床工作者快速了解该领域的热点和发展趋势，为公共卫生政策的制定提供参考。
2025 年 1 月第 17 卷增刊 1 www.jcrpe.org ISSN：1308-5727
一般信息 稿件必须用英文撰写，并且必须符合期刊的要求。不符合这些要求的论文将在评审前退还给作者进行必要的修改。提交给 JCRPE 的稿件将由同行评审员评估。需要修改的稿件作者有两个月的时间重新提交修改后的论文。在此期限之后退回的稿件将被视为新提交的稿件。该期刊符合国际医学期刊编辑委员会 (NEJM) 发布的生物医学期刊稿件统一要求 (NEJM 1997；336：309-315，2001 年更新)。投稿时，作者应注明试验/研究类型，并在适当时提供以下指南的清单：随机对照试验的 Consort 声明（Moher D、Schultz KF、Altman D，代表 CONSORT 组。CONSORT 声明修订了有关提高平行组随机试验报告质量的建议。JAMA 2001；285：1987-91）、随机对照试验荟萃分析和系统评价的 QUOROM 声明（Moher D、Cook DJ、Eastwood S、Olkin I、Rennie D、Stroup DF。提高随机对照试验荟萃分析报告质量：QUOROM 声明。荟萃分析报告质量。柳叶刀 1999；354：1896-900）以及观察性研究荟萃分析和系统评价的 MOOSE 指南（Stroup DF、Berlin JA、Morton SC 等。流行病学观察性研究的荟萃分析：流行病学观察性研究的荟萃分析 (MOOSE) 小组报告提案。JAMA 2000；283：2008-12）。关键词根据美国国家医学图书馆的 MeSH（医学主题词）收录。
审查 Dupilumab 和 Tralokinumab 治疗肿瘤患者特应性皮炎和瘙痒性皮肤病的有效性和安全性：
简介：癌症患者越来越多地被确诊患有特应性皮炎 (AD) 和瘙痒性皮肤病。在有癌症病史或同时患有癌症的患者中，这些疾病的治疗面临着独特的挑战，因为传统的全身疗法可能因其免疫抑制作用而带来风险。近年来，dupilumab 和 tralokinumab 等生物制剂已成为治疗 AD 的有希望的药物，它们可以针对性地调节免疫反应，并且全身副作用可能更少。本文旨在回顾 dupilumab 和 tralokinumab 在治疗癌症幸存者的 AD 和瘙痒症方面的安全性和有效性的现有证据，并探讨这一独特患者群体的潜在益处和注意事项。方法：对截至 2024 年 12 月 15 日的 PubMed、Ovid、Scopus、Embase 和 Cochrane Library 数据库中的当前医学文献进行了全面分析。在进行此叙述性综述时，采用了与临床试验和现实研究相关的医学主题词 (MeSH) 术语和医学术语，重点关注药物 dupilumab 和 tralokinumab。讨论：患有活动性或既往癌症的患者通常被排除在新药的临床试验之外，这使得评估这些患者的癌症进展或复发风险变得复杂。dupilumab 和 tralokinumab 等生物药物在肿瘤患者中的潜在使用标志着治疗湿疹和瘙痒等疾病的重大突破，这些疾病在该患者群体中很常见。虽然对于患有活动性癌症或有恶性肿瘤病史的患者，没有明确的使用 dupilumab 和 tralokinumab 的禁忌症，但对于在这些情况下使用它们没有明确的指导。在皮肤科医生和肿瘤科医生的合作推动下，现实世界的数据不断涌现，支持 dupilumab 和 tralokinumab 在治疗癌症患者 AD 方面的有效性和安全性。尽管如此，仍需要进行更大规模、更长随访期和专门的药物警戒计划的研究来证实这些发现。关键词：特应性皮炎、dupilumab、tralokinumab、肿瘤患者
人工智能在医院急诊科分诊中的应用：范围审查
人工智能 (AI) 和机器学习 (ML) 在医疗保健领域的整合已成为一个主要关注点，并引发了其对急诊科 (ED) 分诊过程的影响的问题。人工智能模拟人类认知过程的能力加上计算技术的进步已在医疗保健的各个方面显示出积极成果，但人们对人工智能在急诊科患者分诊中的应用知之甚少。人工智能算法可以实现更早的诊断和干预；然而，过于自信的答案可能会给患者带来危险。本综述的目的是全面探索最近发表的关于人工智能和机器学习在急诊科分诊中的影响的文献，并找出研究空白。2023 年 9 月，使用电子数据库 EMBASE、Ovid MEDLINE 和 Web of Science 进行了系统化搜索。为了符合纳入标准，文章必须经过同行评审、用英语撰写，并基于 2013-2023 年在美国期刊上发表的原始数据研究。其他标准包括 1) 研究中的患者需要入住医院急诊科，2) 在对患者进行分诊时必须使用人工智能，3) 必须体现患者的结果。搜索使用医学主题词 (MeSH) 中的受控描述符进行，其中包括术语“人工智能”或“机器学习”和“急诊病房”或“急救护理”或“急诊科”或“急诊室”和“患者分诊”或“分诊”或“分诊”。搜索最初确定了 1,142 条引文。经过严格、系统的筛选过程和对证据的严格评估，最终选择了 29 项研究进行审查。研究结果表明：1) ML 模型始终表现出优于传统分诊系统的识别能力；2) 将 AI 整合到分诊流程中可显著提高预测准确性、疾病识别和风险评估；3) ML 可准确确定需要紧急救治的患者是否需要住院；4) ML 可改善资源分配和患者护理质量，包括预测住院时间。ML 模型在急诊室患者优先排序方面的优势有望重新定义分诊精度。