gms | German Medical Science

Hintergrund/Fragestellung: Systematische Literaturrecherchen als zentrales Element jeglicher Evidenzberichte sind zunehmend daten- und aufwandsintensiv. Um diesen Herausforderungen zu begegnen und die Effizienz zu steigern, stellen wir die Entwicklung einer Methodik, die digitale und KI-gestützte Anwendungen in den Such- und Screening-Prozess integrieren soll, vor.

Methoden: Die geplante Methodik umfasst die folgenden Schritte zur Integration (aktuell) frei zugänglicher Anwendungen:

1.

Initiale Vorrecherche: Sollte es nach der PICO-Formulierung an Seed-Publikationen fehlen, wird eine Vorrecherche nach relevanter Literatur (n=5-10) mittels KI-Anwendungen (zB Elicit, Consensus, Semantic Scholar,...) oder durch klassische Recherchemethoden durchgeführt.

2.

Analyse von PICO-Begriffen: Die Titel, Abstracts, Keywords und MeSH-Terms der Seed-Publikationen werden mit „searchbuildR“ [1] analysiert, um relevante Begriffe zu extrahieren.

3.

Erstellung des Suchstrings: Die extrahierten Begriffe werden mithilfe von ChatGPT [2] oder über klassische PICO-Kategorisierungen zu einem vorläufigen Suchstring verarbeitet und getestet.

4.

Suchstring-Optimierung: Der Suchstring wird in „SearchRefinery“ getestet, um sicherzustellen, dass das Testset aus Schritt 2 und relevante Literatur identifiziert wird. Ein iterativer Anpassungsprozess soll hierbei zum Einsatz kommen.

5.

Anpassung an Datenbanken: Der finale Suchstring wird in „Polyglot Search“ an die Syntax relevanter Datenbanken angepasst.

6.

Deduplikation der Treffer: Dedupilkation der Suchtreffer mit Anwendungen wie dem „Deduplicator“ (sr-accelerator.com) oder Referenzprogrammen

7.

Weiterverarbeitung der Ergebnisse: Die deduplizierten Treffer werden in ASReview gescreent

Zur Validierung wurde ein Rahmenwerk entwickelt, um Qualität („Präzision“) und Effizienz („Zeit“) im Vergleich zu herkömmlichen Strategien zu evaluieren.

Vorläufige/erwartete Ergebnisse, Ausblick: Mit der Implementierung dieser Methodik erhoffen wir uns eine messbare Verbesserung der Qualität und Effizienz bei systematischen Recherchen. Die Integration dieser Technologien könnte es Forschenden ermöglichen, effizienter zu fundierten Ergebnissen zu kommen. In Anbetracht der aktuellen Entwicklungen im Bereich KI könnte diese Methodik einen wertvollen Beitrag zur Effizienz und Zuverlässigkeit evidenzbasierter Arbeit leisten. Eine umfassende Validierung und Evaluierung der Praktikabilität sind allerdings notwendig, um die Methodik „EbM-fit“ und nachhaltig in den Forschungsprozess zu integrieren.