Article contents · 7 sections
一、文献调研：从“大海捞针”到“精准筛选”
工具选型：
Consensus：证据型搜索引擎，其医学模式限定约800万篇医学论文、5万份临床指南和排名前1000的医学期刊，用“共识计量表”显示证据倾向（支持、反对或不确定），适合快速判断一个临床问题有没有证据。
Elicit：把文献按表格自动提取，可自定义“样本量、干预措施、结局、结论”等列，单表最多50篇，每条提取都附原文出处，适合系统综述式筛选与数据提取。
Connected Papers：生成文献关系网络图，帮你顺藤摸瓜，找到一个方向的核心文献与发展源流。
操作步骤：先用Consensus确认问题是否成立、证据是否充足；再用Elicit把候选文献表格化、逐篇提取；遇到陌生领域，用Connected Papers补齐关键文献。
适用人群：所有需要写综述、确立课题、查证临床证据的医生。注意事项：AI给出的总结必须回到原文核对，不能直接复制其表述，它提取的信息可能遗漏或曲解。
一个实用技巧，是让AI标注每条证据的研究类型和样本量，先看证据等级再决定是否精读全文；但无论排序如何，最终引用前仍要回到原文确认。
话术示例：我是研究【某疾病】的医生，请基于高质量临床证据回答【某干预是否改善某结局】，区分随机对照试验与观察性研究，并列出可核实的文献。
二、数据处理：让AI写清洗代码，而不是替你存数据
工具：ChatGPT、Claude等带代码功能的版本。
操作步骤：把数据字段（不要包含患者姓名、住院号等标识）和清洗需求告诉它，让它生成Python或R代码，例如统一日期格式、处理缺失值、按规则分组、合并表格；代码在本地运行，结果可复现。
适用人群：手头有Excel或CSV数据、不会编程或编程不熟的医生。注意事项是红线：绝不要把未脱敏的患者数据、病历原文上传到公共AI工具，这涉及患者隐私和数据合规，风险远大于效率收益；AI生成的代码要先用小样本验证逻辑，再跑全量数据。
常见需求包括把同一疾病的多种写法统一、把文本型检验结果转为数值、按时间窗匹配两次就诊记录等，这些都可以让AI给出带注释、可复现的代码。
话术示例：我的数据包含【字段说明】，请用Python写一段代码完成【清洗目标】，加注释说明每一步，缺失值先统计比例再处理。
三、统计解读：把“看不懂的输出”变成“说得清的结果”
工具：Julius AI等自然语言数据分析工具，以及通用大模型的代码功能。
操作步骤：上传脱敏后的结构化数据，用自然语言说明要做什么分析，如组间比较、相关性分析、回归分析，工具会给出分析过程、图表和文字解释；也可以把统计软件的输出贴给AI，让它解释每个系数、P值和置信区间的含义。
适用人群：需要独立完成统计分析、但缺少统计支持的医生。注意事项：AI可以解释结果，但不能替代专业统计判断，研究设计阶段的样本量与方法选择最好请统计师把关；要警惕它把“相关”轻易说成“因果”。
话术示例：请解释这份回归结果中每个系数的含义、是否显著，并说明这些结论支持因果推断还是仅为相关性，用词符合医学论文规范。
四、图表绘制：示意图与统计图分开处理
工具选型：
BioRender：制作机制图、流程图、实验示意图，素材专业、上手简单。
通用大模型代码功能：用Python或R生成柱状图、森林图、生存曲线等统计图表。
操作步骤：机制示意图用BioRender拖拽生成；统计图让AI写代码、用你自己的真实数据绘制，保证数据可追溯。
适用人群：需要高质量配图、又没有专业美工的医生。注意事项有三点：BioRender免费版的图不能用于期刊发表，期刊发表需要学术许可（付费订阅），图中通常需注明“Created with BioRender.com”，投稿前务必确认授权；凡用AI创建或编辑过的图，要在图注中披露；绝不能用AI生成虚假的病理、影像结果图。
此外，期刊通常要求图片分辨率不低于300dpi并提供高清或矢量版本，生成时就要按目标期刊规格设置，避免后期放大模糊。
话术示例：请用Python根据以下真实数据绘制森林图，标注效应量、95%置信区间和参考线，配色适合黑白打印，并给出可复现代码。
五、标书与方案写作：用AI查逻辑、补漏洞
工具：ChatGPT、Claude、Gemini，以及学术专用的Paperpal、Writefull。
操作步骤：先把研究背景、科学问题、技术路线初稿交给AI，让它扮演“挑剔的评审专家”，挑出逻辑断层、样本量不足、对照不合理、创新点不清晰等问题；再让它协助打磨摘要和技术路线的层次结构；语言层面用Paperpal、Writefull做学术润色。
适用人群：撰写基金标书、研究方案、投稿信的医生。注意事项：AI不掌握你的真实研究基础，可行性数据和前期结果必须来自你自己；它擅长优化表达和结构，不能替你产生核心学术思想。
可以让AI分别从“科学价值、研究方案、前期基础、经费合理性”四个维度逐项审查，这正是评审打分的常见维度。
话术示例：请以基金评审专家视角审查这份标书的研究设计，至少指出五个可能被质疑的漏洞并给出修改方向，不要替我编造数据或前期基础。
六、贯穿全流程的四条红线
数据隐私：不上传未脱敏的患者信息和可识别资料。
事实核验：文献、数据、结论逐一回到原始来源核对。
合规披露：按目标期刊要求在指定位置声明AI使用，图片在图注说明。
责任在人：AI是提效工具，所有最终内容由作者负责。
工具会不断更新，方法却可以迁移：让AI做“可复现、可核查”的事，把“判断和担责”留给自己，这才是医学科研中使用AI的正确姿势。
参考资料
Consensus. Medical Mode for clinicians. https://consensus.app/
Elicit. AI for scientific research and systematic reviews. https://elicit.com/
Connected Papers. https://www.connectedpapers.com/
Julius AI. https://julius.ai/
BioRender. Licensing and usage of figures. https://help.biorender.com/
Springer Nature. AI guidance for researchers. https://group.springernature.com/gp/group/ai/ai-guidance-for-our-researchers-and-communities