ASReview LAB

这个工具解决什么问题

ASReview LAB 的核心用途，是帮助研究者在系统评价和 Meta 分析中更高效地完成标题/摘要初筛。医学综述常常需要从多个数据库导入大量题录，人工逐条阅读既耗时，也容易因疲劳产生不一致判断。

它采用主动学习思路：研究者先对一部分文献作出“纳入”或“排除”判断，系统再根据这些反馈调整排序，把更可能相关的题录优先推到前面。这样，团队可以更早看到关键研究，而不是完全按年份或数据库顺序浏览。

需要注意的是，ASReview LAB 不是自动写综述的工具，也不是替代人工纳排的工具。它更像一个用于文献初筛阶段的排序助手，最终是否纳入仍应由研究者根据预先注册或方案中定义的标准决定。

适合的医学科研场景

ASReview LAB 尤其适合题录量较大、问题定义清楚的循证医学项目。例如，临床干预系统评价、诊断准确性 Meta 分析、预后因素综述、暴露与结局关联综述，以及指南证据更新等。

如果你的团队已经完成了 PubMed、Embase、Web of Science、Cochrane Library 等数据库检索，并将结果合并去重，ASReview LAB 可以作为下一步标题/摘要筛选工具。它适合在已有 PICO、PECO 或类似框架的基础上使用。

• 干预综述：优先识别随机对照试验、准实验研究或特定临床干预研究。
• 诊断综述：根据目标疾病、索引检测和参考标准筛选可能相关的诊断准确性研究。
• 预后研究：从大量观察性研究中寻找涉及目标人群、预测因子和结局的队列研究。
• 指南更新：对新增检索结果进行快速初筛，判断是否存在可能改变推荐的新证据。

对于医学研究生来说，它也适合作为学习系统评价流程的工具。使用过程中，学生需要不断把抽象的纳排标准落实到具体题录上，这有助于训练循证医学判断，而不仅仅是点击软件按钮。

不适合的情况

ASReview LAB 不适合在综述问题尚未明确时直接使用。如果纳入标准经常改变，例如人群、干预、结局或研究设计没有稳定定义，主动学习模型会接收到不一致反馈，推荐效果也会受影响。

它也不适合替代全文筛选。标题和摘要中经常缺少关键方法学信息，例如随机化方式、具体结局指标、随访时间或诊断参考标准。遇到这类文献，仍需要进入全文阶段由研究者判断。

对于只有几十篇或一两百篇题录的小型综述，使用 ASReview LAB 的收益可能有限。此时，传统表格、Rayyan 或人工双人筛选可能已经足够，额外配置主动学习项目反而增加流程负担。

更稳妥的做法是：把 ASReview LAB 看作“提高初筛排序效率”的工具，而不是“自动完成系统评价”的工具。

实际工作流建议

在医学综述项目中，建议先完成检索策略、数据库导出、合并去重和方案确认，再导入 ASReview LAB。不要把原始、未清理、字段混乱的题录直接投入筛选，否则后续导出和复核会更麻烦。

团队可以先准备一批已知相关文献作为种子文献，例如方案制定阶段读过的关键 RCT、经典队列研究或高质量诊断研究。与此同时，也可以标记一些明显无关的文献，帮助模型理解排除边界。

筛选时应保留人工可追溯记录。包括每篇文献的标签、筛选者、时间、停止筛选的理由，以及是否进行了第二人复核。这些信息对 PRISMA 流程图和方法学报告都很重要。

优点、限制与质量控制

ASReview LAB 的一个重要优点是开源，并且可在本地环境使用。对于尚未发表的综述选题、内部指南项目或研究团队自己的检索策略，本地运行有助于减少不必要的数据外传。

另一个优点是，它能让研究者更快接触到可能纳入的研究。对于题录量较大的项目，这有助于早期判断检索策略是否过宽、纳排标准是否可执行，以及是否需要调整团队分工。

限制同样需要明确。主动学习依赖研究者的早期反馈，如果不同筛选者对同一标准理解不一致，系统会学习到混杂信号。因此，正式筛选前最好进行校准练习，并记录分歧处理规则。

停止筛选也不应只凭感觉。团队可以根据方案、剩余未筛文献的相关性趋势、第二人抽查结果和项目时间要求综合决定。对于高风险综述，例如将用于指南或政策决策的项目，应更保守地设计复核流程。

与其他工具的关系

ASReview LAB 常被拿来与 Rayyan、Covidence、EPPI-Reviewer 或 DistillerSR 比较。它的特点是主动学习排序和开源本地使用，而不是覆盖系统评价全部流程。

Rayyan 更适合常规团队盲法筛选和冲突解决，学习成本较低。Covidence 更偏向完整系统评价项目管理，包括全文筛选、数据提取和质量评价等环节，但通常需要考虑机构订阅或项目费用。

因此，选择时应看项目需求。如果团队的主要痛点是大量题录初筛，且希望使用开源工具，ASReview LAB 值得尝试。如果需要完整的多人协作、全文排除原因管理和数据提取模板，则可能需要搭配或改用其他平台。

数据隐私与报告建议

医学科研项目通常涉及未公开选题、检索策略和团队判断记录。使用桌面版时，ASReview LAB 可以在本地处理题录，这对多数文献筛选任务已经足够。若使用云端版本或第三方托管环境，应先阅读隐私政策。

文献题录本身通常不是患者隐私数据，但综述方案、研究假设和团队内部判断仍可能具有学术敏感性。PI 或项目负责人应明确谁可以访问项目文件、导出记录如何保存，以及是否纳入机构数据管理要求。

在论文方法部分，建议说明使用了 ASReview LAB 进行标题/摘要筛选，并描述版本、输入题录来源、人工标注流程、是否双人筛选、冲突处理方法和停止规则。这样可以提高综述流程的透明度和可复核性。