ИИ разрешает споры в медицинских исследованиях: новый метод «триангуляции доказательств»

Команда Доу Цзяня из Медицинского факультета Пекинского университета разработала метод, использующий большие языковые модели (LLM) для триангуляции доказательств — эффективного и объективного объединения выводов из разных исследований. Проблема противоречивых рекомендаций о здоровье (например, о потреблении соли) часто возникает из-за различий в методах исследований: наблюдательных, рандомизированных контролируемых испытаний или менделевской рандомизации. Новый подход автоматически анализирует тысячи научных статей, чтобы определить, сходятся ли доказательства к единому выводу.

Двухэтапный процесс ИИ сначала автоматически идентифицирует из литературы фактор воздействия (например, потребление соли) и исход для здоровья (например, артериальное давление), определяя направление и значимость их связи. Затем система количественно оценивает согласованность доказательств из разных типов исследований, вычисляя направление конвергенции доказательств и уровень конвергенции. На примере споров о соли ИИ показал, что доказательства сильно сходятся в том, что высокое потребление соли повышает давление, но согласие по связи с риском сердечно-сосудистых заболеваний и смерти — слабее.

Этот метод, описанный в Nature Communications, работает за минуты, обеспечивает систематичность и прозрачность, динамически обновляя карту доказательств. Он помогает исследователям выявлять надёжные выводы, определять области разногласий для будущих изысканий и может применяться для разработки клинических рекомендаций, информирования политики здравоохранения и повышения точности научно-популярных материалов, предлагая новый инструмент для разрешения давних научных споров.