人工智能增強型循証醫學方法的研究

循証醫學（Evidence-based medicine, EBM）是以高質量科學証據為基礎的臨床決策體系，其中薈萃分析（Meta-analysis）作為系統評價的重要組成部分，通過定量整合多項研究數據，減少隨機誤差與偏倚，從而提升效應估計的准確性，為臨床決策提供最優的証據支持。盡管薈萃分析已廣泛應用於臨床指南制定、慢性病管理、腫瘤精准治療及罕見病診療等領域，但傳統薈萃分析方法在效率、偏倚控制及復雜關聯挖掘能力等方面存在顯著局限。

針對這些挑戰，本項目提出具有突破性的研究思路，融合大語言模型、深度學習與統計薈萃分析技術，構建一系列新的理論和方法，包括將圖神經網絡與貝葉斯推斷引入薈萃分析，開發面向復雜証據類型和關聯結構的量化整合方法，從而顯著提升對多源異質証據的融合與推理能力；針對大模型在薈萃分析中的“幻覺”問題，創新性地設計結合統計模型與多層防御策略的解決方案；提出基於深度神經網絡的非線性混合效應模型，突破傳統線性假設的限制，有效處理非線性關聯問題；並構建面向非正態分布數據的新型隨機效應模型，研發具有更強魯棒性與廣泛適用性的薈萃分析方法。通過理論創新、算法優化及工具開發，本項目將系統提升証據合成的效率、穩健性與可解釋性。

研究成果將應用於臨床決策支持系統、流行病防范及公共衛生服務，為循証醫學的智能化提供方法理論支撐和技術實現路徑。