摘要
基于证据的临床决策需要专家识别、评估和综合相关的科学文献。然而，对于复杂的临床案例，PubMed 搜索往往会返回数百篇无法在时间限制内手动审查的文献。为此，本研究提出了 SCEPTER（单案例证据驱动的 PubMed 推荐推理器），一个将临床案例描述转化为基于证据的推荐的框架。
SCEPTER 结合了 PubMed 检索、PubMedBERT 语义排名、基于大型语言模型（LLM）的主张提取、证据级别加权、矛盾检测、共识分析和多目标 Pareto 主张选择。该框架生成结构化的证据综合和基于证据的可操作推荐。此外，Paper Q&A 模块进一步支持对选定文献的互动探索。
该框架引入了多目标推理模型，将文献支持、矛盾分析和互动文献审查整合到一个统一的临床决策支持管道中。在对 150 个案例研究的评估中，该框架将平均搜索空间从 576 篇论文缩减到 53 篇保留论文、7 个 Pareto 最优主张和 3 个最终推荐，对应于整体压缩比为 192:1。尽管如此，保留的证据仍保持高多样性（熵=0.901）。消融研究表明，与传统排名方法相比，基于 Pareto 的选择提高了证据的多样性和推荐的实用性。
博主点评： SCEPTER 框架的提出无疑是临床决策支持领域的一个突破，通过多目标推理有效地解决了文献检索中的信息过载问题，极大提高了推荐的质量和效率。其方法论的创新性值得其他领域借鉴。