用于筛选目的的人工智能
通过结合使用自然语言和主动学习算法，可以训练一些工具在个人审查中应用资格标准，从而半自动化筛选过程。实际上，经过一段时间的训练后，该工具将对要筛选的研究进行排名和优先排序。相关性较高的研究将首先呈现给人工审阅者。当人工审阅者确信训练已经足够时，可以使用 AI/ML 筛选剩余的批次。这种方法可以允许 AI/ML 进行一次审查，人工进行一次审查，从而将筛选负担减少 50%。
人工智能用于提取
尽管目前可能不太常用，但 AI/ML 。信息提取算法经过训练，可以从文本中识别和提取特定类型的信息，例如研究设计、样本量、参与者人口统计、干预细节、结果和结果。这些算法可以定制，以提取与 SLR 特定要求相关的数据。虽然这些工具处于早期开发阶段，目前仍需要大量人工审查，但节省时间的潜力也很大。
人工智能/机器学习的挑战
虽然将 AI/ML 集成到 SLR 和证据生成领域具有通过提高效率来简化流程的巨大潜力，但这一进步并非没有挑战。在 SLR 中使用 AI/ML 的一项重大挑战在于用于训练工具的底层数据的质量和偏差。通常很难提前确定在允许工具自动筛选之前需要多大和多高质量的训练数据集，因此在安全使用工具之前需要仔细校准和验证工具。
另一个担忧是算法的不透明性。算法决策缺乏透明度和可解释性，可能导致人们对审查结果的可重复性和可信度产生担忧。
全球许多政府和监管机构正在着手实施新法规，以管理人工智能和机器学习的开发和使用。例如，欧盟的《人工智能法案》旨在创建一个框架，根据风险级别对人工智能应用进行分类，对高风险应 卡塔尔资源 用施加更严格的要求（欧洲议会，2023 年）。同样，美国正在考虑制定强调人工智能伦理的框架，旨在防止偏见并确保人工智能系统透明且易于理解（Intel.gov）。这些法规通常要求开发人员提供清晰的文档、进行影响评估并实施强大的数据治理实践。
在卫生技术评估 (HTA) 提交的 SLR 中使用 AI/MI 的一个重大问题是 HTA 机构本身是否接受。我们审查了一些较大的 HTA 机构（包括 NICE、SMC、HAS、GBA、CADTH、NCPE 和 PBAC）的指导文件。在审查的七个机构中，六个没有提供指导，国家临床优化研究所 (NICE) 表示，如果经过充分验证，他们支持使用机器分类器——然而 NICE 指南没有推荐用于确定资格的工具。
HTA 机构 推荐
好的 NICE 支持使用机器分类器，但不 如何在营销中使用生成式人工智能 建议使用工具来确定资格
片状模塑料 参考 NICE 指南
有 没有对在单反相机中使用人工智能提出建议
大湾区 没有对在单反相机中使用人工智能提出建议
加拿大心脏协会 没有对在单反相机中使用人工智能提出建议
全国电力工程学会 没有对在单反相机中使用人工智能提出建议
好的 没有对在单反相机中使用人工智能 新加坡电话号码 提出建议
外周动脉疾病 没有提供关于在 SLR 中使用 AI 的建议，但参考了 Cochrane 指南进行 SLR
Cochrane 手册详细讨论了用于筛选数据也可以作为系统评价 集和分类器的 AI（例如从数据集中识别 RCT）。目前不建议在 Cochrane 评价中使用 AI 自动排除研究。