AI 驱动的循证证据整合
研究如何利用大语言模型支持证据检索、综合与更新，并保留可追溯的研究过程。
尹川 Chuan Yin
专注于人工智能（大语言模型）驱动的循证医学证据整合研究，探索全球临床证据实时联动（Live Evidence）及以患者为中心的个体化证据（Patient-Centered Personalized Evidence）产出。
Evidence OS 创始人与首席科学家医学博士 · 临床研究与循证方法
研究主线：AI 驱动的证据整合 → 全球动态证据 → 患者中心的个体化证据。
EOS 研究方向
全球临床动态证据 · Live Evidence
探索连接全球临床研究成果、支持证据持续更新与变化追踪的体系和方法。
患者中心的个体化证据产出
研究如何结合患者的问题、目标、偏好与共病情境，形成相关、透明且可复核的证据。
在 EOS 中推进的研究
提出患者中心的研究框架
以患者目标、共病与具体决策组织证据生成和使用，并梳理从医学问答到动态证据之间需要验证的环节。
把方法放进真实研究
与共同作者开展术前社会连接与术后结局综述，组织 20,399 条去重题录与 445 项研究；继续推进骨骼肌肉与代谢病共病综合。
开发可追溯的证据治理
与共同作者将来源、效应选择、统计贡献、纠错与发布版本连接起来，完成单个综述案例的内部评价，继续规划独立比较。
RESEARCH JOURNEY
从研究框架，到可复核的成果
推进共病研究与下一阶段验证
骨骼肌肉与代谢病共病系统综述及 Meta 分析正在 review 阶段；计划先完成传统综合，再评价混合信息综合与个体化证据的适用性。
CURRENT WORK
查看每日证据简报正在推进与下一步
骨骼肌肉与代谢病共病研究
使用大语言模型辅助传统系统综述与 Meta 分析，当前在 review 阶段。
下一步先完成传统综合，再作为混合信息综合和个体化证据的验证案例。
混合信息证据综合
已梳理方法边界与验证设计；比较传统综合与混合信息综合的证据覆盖和可信性。
下一步在共病研究中检验新增信息、统计自洽性与临床价值。
从证据到个体化决策
决策材料评价设计已形成；后续计划以共病证据研究推进个体化适用性验证。
下一步验证适用性、来源追溯、合理拒答和决策质量；不以信心增加代替正确性。
完成共病综合的对照基线
完成大语言模型辅助传统系统综述与 Meta 分析，保留纳排、提取与不能合并的原因，为后续方法比较提供依据。
检验混合信息带来的增量
针对量纲、时间窗或统计信息不完整的研究，比较能保留多少可信信息，并检验统计自洽性与临床价值。
评价证据如何用于具体决策
围绕共病与患者目标，检验个体化适用性、来源追溯和合理拒答；进一步规划独立比较与动态更新评价。