PRISMA on 林協霆醫師

flowdoc：以預設驅動產出 PRISMA／CONSORT／STROBE 指引流程圖的零相依工具

Tue, 28 Apr 2026 00:00:00 +0000

# Introduction（引言）

PRISMA 2020、CONSORT 2010 與 STROBE 為三大研究報告指引，要求作者以標準化流程圖呈現受試者納入、隨機分派與分析流程。然而臨床研究者多以 PowerPoint 或 draw.io 手動繪製，導致排版不一致、圖中數字易誤抄，且難以納入版本控制。雖有商業 LaTeX 套件可協助，但多數對非程式背景使用者門檻過高。本專案以「資料即圖」為核心，將流程圖視為從結構化資料生成的衍生物。

# Methods（方法）

flowdoc 以 TypeScript 實作，刻意維持零執行期相依：使用者僅需提供符合預設 schema 的 JSON 或 YAML，即可獲得可選格式的輸出（SVG、drawio、Mermaid、PDF、PNG）。系統內建 PRISMA 2020、CONSORT 2010 與 STROBE 等指引的標準節點與連線預設，使用者只需填入對應數字與標籤，即可產出符合期刊要求的流程圖。

設計上強調確定性：相同輸入永遠產出相同輸出，便於版本控制與同儕審查；同時提供多種輸出格式，覆蓋從投稿（向量 SVG／PDF）到簡報（PNG）與後續編輯（drawio）的需求。

# Results（結果）

工具可在數秒內產出三大指引所需流程圖，並能與 Quarto、Markdown 與 LaTeX 投稿管線無縫整合。對於系統性回顧研究團隊，這顯著縮短「從擷取資料到完成圖表」的時間；對於審查者而言，純文字輸入亦提高審查透明度。零相依特性使其可在 CI／CD 環境中自動產出最新版本流程圖。

# Discussion（討論）

本專案具體實踐了「圖即文件」的觀念：將流程圖從藝術創作回歸為資料表達，符合 reproducible research 的精神。限制方面，目前預設僅涵蓋三大指引，更新後的版本（如 PRISMA 2020 子型別）需要持續維護；高度自訂化的版型仍需手動 SVG 編輯。未來可擴充至 SPIRIT、CARE 與其他 EQUATOR Network 指引，並結合 LLM 由原始研究文件半自動填寫節點數字。

# 連結

GitHub：htlin222/flowdoc
主要語言：TypeScript
最後更新：2026-04-28

meta-pipe：AI 輔助、端對端可重現的 Meta 分析管線

Sun, 12 Apr 2026 00:00:00 +0000

# Introduction（引言）

Meta 分析雖被譽為證據金字塔頂端，但其完整流程從文獻搜尋、篩選、資料萃取到統計合成往往耗時數月。傳統工具（如 RevMan、Covidence）雖支援工作流，但在自動化與可重現性上仍有空間。隨著 LLM 在文獻處理上的能力大幅提升，是否能將 Meta 分析從「人工為主、工具為輔」翻轉為「工具為主、人工為輔」成為值得探索的方向。本專案即提供一套 AI 輔助、端對端可重現的 Meta 分析管線。

# Methods（方法）

管線以 Python 為主，分為以下階段：（1）文獻搜尋，整合多個資料庫 API 並產出符合 PRISMA 流程圖的紀錄；（2）標題摘要篩選，由 LLM 依預設納入排除標準先行分類，人工僅審核邊緣案例；（3）全文擷取與資料萃取，LLM 從 PDF／HTML 中擷取結構化欄位（PICO、效應量、變異）；（4）統計合成與敘事化結論，採用既有套件（如 metafor、PythonMeta）執行森林圖、異質性分析與敏感性分析。

關鍵設計為「人類在環」：LLM 處理重複性高、規則明確的任務，研究者則在每階段交叉口進行決策確認。所有 LLM 呼叫皆紀錄 prompt 與輸出，確保可追溯。

# Results（結果）

管線可在合理時間內完成大量原本需數月人工的工作，並產出可被同儕審查的中間產物（PRISMA 流程圖、納入研究表、效應量計算腳本）。對個別研究者而言，這降低了從問題形成到投稿的時間；對教學者而言，管線可作為 EBM 課程的具體實作範例。

# Discussion（討論）

本專案展現了 AI 輔助 Meta 分析的可行性，並建立可被驗證的方法論基礎（與姊妹專案 meta-pipe-validation 配對）。限制方面，文獻篩選的 LLM 判斷仍受 prompt 設計影響，需在不同主題下重新校準；資料萃取對於非標準報告的論文準確度仍有限。未來方向包括：與既有研究軟體的雙向資料同步、加入網絡 Meta 分析支援、以及多語言文獻的整合。

# 連結

GitHub：htlin222/meta-pipe
主要語言：Python
最後更新：2026-04-12

prisma-automation：以 Python 與 R 自動化 PRISMA 系統性回顧工作流

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

PRISMA 為系統性回顧與 Meta 分析的標準報告框架，要求研究者透明展示每一步研究納入與排除的數量。傳統工作流以多個工具（Endnote、Excel、Covidence、RevMan）拼接，容易出現步驟之間的計數不一致。本專案以開源工具鏈將完整 PRISMA 工作流以程式化方式串起，從文獻搜尋、篩選、去重到流程圖自動產生，保障報告數字與實際操作完全對應。

# Methods（方法）

工作流以 Python 與 R 雙語言實作：Python 處理 API 介接（PubMed、Scopus、Web of Science）與機器學習篩選；R 處理統計合成與作圖。文獻去重採基於 DOI／PMID 的精確比對，搭配標題模糊比對作為補充。標題摘要篩選可選擇人工或 LLM 輔助，所有判斷紀錄留存。最終以 flowdoc 等工具自動產出 PRISMA 流程圖，保證流程圖數字與資料一致。

設計重點為「可審計性」：每個篩選決策皆可被追溯至原始紀錄，使審稿人或讀者能驗證計數正確。整體流程以 Make／Snakemake 等任務管理工具編排，便於部分重跑而不需重新處理整個工作流。

# Results（結果）

研究團隊可顯著減少 PRISMA 報告的人工負擔：原需多人協作數週完成的搜尋與篩選工作，得以縮短為數天並提升一致性。對於同時進行多個系統性回顧的研究團隊，此自動化工具大幅提升整體產能。

# Discussion（討論）

本專案實踐了「以程式化保證透明度」的觀念：當每一步都是可重現的程式碼，PRISMA 對於透明度的要求自然得到滿足。限制方面，自動化篩選的決策需要謹慎驗證，特別是高風險偏誤的情境；不同資料庫的搜尋語法差異仍需手動橋接。未來可整合至 meta-pipe 主管線，並加入 LLM 進行偏倚評估的初步建議。

# 連結

GitHub：htlin222/prisma-automation
主要語言：Python（搭配 R）
最後更新：2026-03-28