check-reporting

チェック・報告スキル

参照ファイル

チェックリストは ${CLAUDE_SKILL_DIR}/references/checklists/ の下に、評価指標ごとに1ファイルずつ同梱されています。各ファイルのヘッダーには、バージョン、出典の引用情報、ライセンスが記載されており、項目の文言が公開されている表現ではなく独自の言葉による要約である場合は、その旨が示されています。

• STROBE.md -- STROBE
• STROBE_MR.md -- STROBE-MR 2021
• RECORD.md -- RECORD 2015（薬剤研究ではRECORD-PE）
• REMARK.md -- REMARK
• TARGET.md -- TARGET 2025
• GATHER.md -- GATHER 2016
• CHEERS_2022.md -- CHEERS 2022
• CROSS.md -- CROSS 2021 + CHERRIES（インターネット調査）
• SRQR.md -- SRQR 2014（すべての質的アプローチ）
• COREQ.md -- COREQ 2007（インタビューとフォーカスグループ）
• STARD.md -- STARD 2015
• STARD_AI.md -- STARD-AI 2025
• TRIPOD.md -- TRIPOD 2015
• TRIPOD_AI.md -- TRIPOD+AI 2024
• TRIPOD_LLM.md -- TRIPOD-LLM 2025
• PGS_RS.md -- PGS-RS / PRS-RS 2021
• CONSORT.md -- CONSORT 2025
• CONSORT_AI.md -- CONSORT-AI 2020
• SPIRIT.md -- SPIRIT 2025
• SPIRIT_AI.md -- SPIRIT-AI 2020
• CLAIM_2024.md -- CLAIM 2024
• DECIDE_AI.md -- DECIDE-AI 2022
• MI_CLEAR_LLM.md -- MI-CLEAR-LLM
• CLEAR.md -- CLEAR（ラジオミクス）
• ARRIVE_2.md -- ARRIVE 2.0
• CARE.md -- CARE 2013
• SQUIRE_2.md -- SQUIRE 2.0
• GRRAS.md -- GRRAS
• PRISMA_2020.md -- PRISMA 2020
• PRISMA_2020_Abstracts.md -- PRISMA 2020 for Abstracts、12項目。独立した評価指標であり、27項目のチェックリストの一部ではありません（メイン項目2はこれを参照します）。独自の分母を使って採点してください。
• PRISMA_DTA.md -- PRISMA-DTA
• PRISMA_P.md -- PRISMA-P
• PRISMA_ScR.md -- PRISMA-ScR
• MOOSE.md -- MOOSE
• SWiM.md -- SWiM
• AMSTAR2.md -- AMSTAR 2
• QUADAS3.md -- QUADAS-3
• QUADAS2.md -- QUADAS-2
• QUADAS_C.md -- QUADAS-C
• RoB2.md -- RoB 2
• ROBINS_I.md -- ROBINS-I
• ROBINS_E.md -- ROBINS-E
• ROBIS.md -- ROBIS
• ROB_ME.md -- ROB-ME
• RoB_NMA.md -- RoB NMA
• PROBAST.md -- PROBAST
• PROBAST_AI.md -- PROBAST+AI
• NOS.md -- NOS
• COSMIN_RoB.md -- COSMIN RoB

---

ワークフロー

ステップ0：既存チェックリストの陳腐化を事前確認

このプロジェクトに既存のチェックリスト（qc/reporting_checklist.json または以前の .md レポート）がある場合、再利用する前に、現在の原稿を対象としていることを確認してください。古いバージョンを基に生成されたものには、古いセクションや行の参照、古いバージョンラベルが含まれます。

python3 "${CLAUDE_SKILL_DIR}/scripts/check_checklist_version.py" \
  --checklist qc/reporting_checklist.json --manuscript manuscript_v8.md

終了コードが0以外の場合、チェックリストは陳腐化しています（target_version が古い、source_sha256 が変更されている、target_manuscript が異なる）、またはバージョン契約の導入前に作成されています。再利用せず、現在の原稿に対して再生成してください（ステップ1～5）。生成するすべてのレポートには target_manuscript / target_version / source_sha256 フィールドが含まれます（Part AヘッダーおよびPart D JSON）。これにより次回もこの確認が機能します。

ステップ1：ガイドラインを選択

ユーザーが指定したガイドラインを使用します。指定がない場合は、研究の種類から自動判定します。研究の種類が曖昧な場合は、ガイドラインを選択する前にユーザーに確認してください。

自動判定マッピング：

研究タイプ	主なガイドライン	AI 拡張
観察研究	STROBE	--
メンデルランダム化研究	STROBE-MR（基本の STROBE ＋ MR 拡張）	--
医療経済評価（費用対効果／費用効用／費用便益／予算影響）	CHEERS 2022	--
日常的に収集されたデータ（レセプト／EHR／レジストリ／健診データベース）を使用した観察研究	RECORD（基本の STROBE ＋ RECORD 拡張。薬剤研究には RECORD-PE）	--
調査／アンケート研究（KAP、医師／患者、横断研究、オンライン調査）	CROSS（オンライン調査には CHERRIES も使用）	--
スコーピングレビュー（エビデンスの範囲や性質を整理し、概念を明確化してギャップを特定するもの。焦点を絞った有効性／精度の問いは扱わない）	PRISMA-ScR（基本の PRISMA ＋スコーピングレビュー拡張）	--
質的研究（インタビュー、フォーカスグループ、エスノグラフィー、グラウンデッド・セオリー、現象学、文書分析）	SRQR（すべての質的アプローチ）。COREQ（特にインタビュー／フォーカスグループ）	--
ランダム化比較試験	CONSORT 2025	CONSORT-AI
診断精度研究	STARD 2015	STARD-AI
予測モデル（開発／検証）	TRIPOD	TRIPOD+AI
ポリジェニック（リスク）スコア予測研究	PGS-RS（TRIPOD／TRIPOD+AI と併用）	--
予後腫瘍マーカー／バイオマーカー研究（単一または複数のマーカー。例：ctDNA／分子学的残存病変）	REMARK（観察研究デザインに関する項目には STROBE を併用。予後モデルを開発する場合は TRIPOD／TRIPOD+AI を併用）	--
観察データでエミュレートした因果／比較有効性の問い（治療対治療、スクリーニング実施対未実施、レジストリ／EHR／レセプトデータでの薬剤 A 対 B）	TARGET（デザインには /design-study の target-trial-emulation モジュールを併用。日常的に収集されたデータに関する項目には RECORD／STROBE を併用）	--
健康推計／疾病負荷モデル研究（GBD または GBD サテライト、比較リスク／人口寄与割合、死因または有病率／発生率の推定。予測の有無を問わない）	GATHER（分析レイヤーには /analyze-stats の疾病負荷の分解・予測ガイドを併用）	--
システマティックレビュー／メタアナリシス	PRISMA 2020	PRISMA 2020 for Abstracts（抄録に適用し、別途採点）
DTA システマティックレビュー／メタアナリシス	PRISMA-DTA	PRISMA 2020 for Abstracts（抄録に適用し、別途採点）
観察研究のメタアナリシス	MOOSE	PRISMA 2020（両方を使用）
バイアスリスク（DTA 研究）	QUADAS-3（現行の推奨バージョン）	QUADAS-2 を使用するレビューを評価または再現する場合に限り使用
バイアスリスク（RCT）	RoB 2	--
非ランダム化介入研究のバイアスリスク	ROBINS-I	--
非ランダム化曝露研究のバイアスリスク	ROBINS-E	--
比較 DTA 研究のバイアスリスク	QUADAS-C	QUADAS-3（両方を使用。E&E の適応を適用。QUADAS3.md の Using QUADAS-C with QUADAS-3 を参照）
予測モデルのバイアスリスク	PROBAST	PROBAST+AI
システマティックレビューのバイアスリスク	ROBIS	AMSTAR 2
MA におけるエビデンス欠如のバイアスリスク	ROB-ME	--
ネットワークメタアナリシスのバイアスリスク	RoB NMA	--
測定特性のバイアスリスク	COSMIN RoB	--
質の評価（観察研究）	NOS	--
症例報告	CARE	--
研究プロトコル	SPIRIT 2025	SPIRIT-AI
動物研究	ARRIVE 2.0	--
臨床画像における AI／ML 研究	CLAIM 2024	--
大規模言語モデルを使用する研究（LLM の開発／ファインチューニング／プロンプト設計／評価）	TRIPOD-LLM	LLM の精度がアウトカムの場合は MI-CLEAR-LLM を併用
AI 意思決定支援システムの初期段階／実運用下での臨床評価（ヒューマンファクター、ワークフロー、安全性）	DECIDE-AI	--
医療における LLM 精度評価	MI-CLEAR-LLM	STARD-AI または CLAIM 2024（併用）
信頼性／一致度研究	GRRAS	--
SR プロトコル	PRISMA-P	--
メタアナリシスを伴わない統合	SWiM	PRISMA 2020（両方を使用）
システマティックレビューの質	AMSTAR 2	ROBIS
ラジオミクス研究	CLEAR	ディープラーニング要素がある場合は CLAIM 2024
教育／QI 研究	SQUIRE 2.0	--
生成 AI の画像そのものが研究対象（リアリズム／実画像と合成画像の読影者研究／モデル間の品質比較）	（単一のガイドラインはありません。組み合わせて使用）	下記の判断支援を参照

QUADAS-3 にはプロトコル段階のフェーズが2つありますが、このスキルを実行するのは通常、それらの作業には遅すぎます。 フェーズ1（統合に関する問いを明示する）とフェーズ2（各判定の基準となる理想的な検査精度試験を定義する）は、レビュー単位の作業であり、各シグナリングクエスチョンへの回答に関するレビュー固有のガイダンスとともに、プロトコルに記載するものです。原稿のQC中に初めてこれらに取り組むということは、結果を見てから比較対象を記述することを意味します。これらが欠けている場合は、後から再構成せず、制約事項として明記し、プロトコルの作業を/meta-analysis Phase 1に振り分けてください。QCで実際に実施できるのはフェーズ3〜6です。 ルール：

• ユーザーが指定したガイドラインを評価します。 以下のルールでは、ユーザーがガイドラインを指定していない場合に限り、対象を選択します。別の、または追加の評価ツール（AIインデックス検査のSTARD-AI、ML予測モデルのTRIPOD+AI、AI拡張版など）を指定された場合は、指定されたガイドラインを評価し、レポートの先頭に、その評価ツールのほうが適している理由と再実行するコマンドを1行で記載します（例： /check-reporting STARD-AI）。独自の判断で評価ツールを切り替えたり追加したりしないでください。ユーザーは、レポートをジャーナルが要求したチェックリストの様式に対応付けています。
• 研究にAI/MLが関わる場合は、ガイドラインのAI版を適用します。CONSORT-AIとSPIRIT-AIは基本ガイドラインと併せて評価します。TRIPOD+AI、STARD-AI、TRIPOD-LLMは、それぞれ基本ガイドラインに代わるものです（下記参照）。
  • 例外 — TRIPOD：TRIPOD+AI 2024（Collins et al., BMJ 2024）は、TRIPOD 2015（Moons et al., Ann Intern Med 2015）への追補ではなく、全面的な改訂版です。非AI予測モデルにはTRIPOD 2015のみを使用します。AI/ML予測モデルにはTRIPOD+AI 2024のみを使用します。両方を同時に適用しないでください。
• STARD-AI（Sounderajah et al., Nat Med 2025）は、STARD 2015を14項目追加、4項目修正して拡張したもので、全40項目からなり、STARD 2015の全項目を含みます。AI診断精度研究にはSTARD-AIのみを使用し、STARD 2015とSTARD-AIを同時に適用しないでください。
• TRIPOD-LLM（Gallifant et al., Nat Med 2025）は、臨床・生物医学のタスクを対象に、LLMを開発、ファインチューニング、プロンプト入力、または評価する研究の報告ガイドラインです。TRIPODファミリーを拡張するものです（TRIPOD 2015 → TRIPOD+AI 2024 → TRIPOD-LLM 2025）。基本となる評価ツールと拡張版を明記し、それぞれを引用してください。モジュール式のため、該当する要素がない場合、タスク固有の項目（アノテーション、プロンプト入力、要約、指示チューニング）はN/Aです。LLM研究にはTRIPOD+AIに代えてTRIPOD-LLMを使用してください。LLMの精度が評価対象のアウトカムである場合は、MI-CLEAR-LLMと併用します。同梱のチェックリストは教育目的の要約（各項目の意図を独自の言葉で言い換えたもの）です。投稿用のチェックリストには公式の評価ツールを使用してください。
• MI-CLEAR-LLMは補足的なチェックリスト（2025年更新版では8つの項目カテゴリー、2024年の初版では6つ）であり、単独の報告ガイドラインではありません。必ず研究の主要ガイドライン（例：AI診断精度研究ではSTARD-AI、画像AIではCLAIM）と併用してください。LLMの精度をアウトカムとして評価する研究には必ず適用します。ただし、原稿の執筆にLLMの支援を使ったという理由だけで適用しないでください。対象はLLMの精度に関する研究（画像を解釈するVLMを含む）です。生成モデルが研究対象の画像を生成する場合、研究全体のレベルでは適用しません（次の箇条書きを参照）。
• 生成AI画像を研究対象とする場合（生成モデルが画像を合成し、そのリアリティ、制御可能性、実画像と合成画像の識別可能性、またはモデル間の品質を評価する研究）には、支配的なチェックリストが単一で存在しません。次のように組み合わせてください。生成側には、CLAIM 2024（画像AIの包括的なガイドライン。市販モデルをそのまま使用する場合、モデル開発項目はN/A）＋FUTURE-AIのトレーサビリティ＋MI-CLEAR-LLMの透明性項目のみ（プロンプト、モデル、バージョン、パラメーター、実行回数。研究全体への準拠ではなく、生成の来歴を対象）を適用します。評価側には、STARD-AI（実画像と合成画像の検出）、GRRAS（読影者間の信頼性）、MRMC報告を適用します。該当する項目を対応付け、基本ガイドラインと拡張版を引用してください。すべてに準拠していると主張しないでください。詳細な判定ガイド：${CLAUDE_SKILL_DIR}/references/genai_image_study_object_decision_aid.md。
• 複数のガイドラインが適用される場合（診断精度研究でもありAI研究でもある場合など）は、関連するすべてのガイドラインに照らして確認し、1つのレポートにまとめてください。

ステップ 2：チェックリストを読み込む

1. 適用するガイドラインごとに、まずフェイルファストガードを実行します：

   python "${CLAUDE_SKILL_DIR}/scripts/check_checklist_exists.py" --guideline "STARD-AI"
   

   • 終了コード 0 → 同梱されたチェックリストが存在します。${CLAUDE_SKILL_DIR}/references/checklists/ から読み込み、続行します。
   • 終了コード 1（MISSING_CHECKLIST_CONTRACT_VIOLATION）→ ガイドラインは割り当てられていますが、チェックリストファイルは同梱されていません。記憶を頼りに項目を作成しないでください。 中止し、違反をユーザーに報告して、ユーザーが明示的に許可しない限り終了します（次の箇条書きを参照）。
   • 終了コード 2（UNKNOWN_GUIDELINE）→ 名前が認識されません。正しいガイドラインをユーザーに確認します。

2. 黙って代替してはいけません。 記憶に基づくチェックリストの使用が許可されるのは、ユーザーが明示的に承諾した場合に限ります。その場合は、ガードを --allow-from-memory を付けて再実行します（終了コード 0 ＋非権威的である旨の警告）。レポートには、評価がモデルの知識をもとに作成され、同梱されたチェックリストに基づいていないことを目立つように明記しなければなりません。また、その評価に基づいて submission_safe を主張してはいけません。

ステップ 3：原稿を確認する

各項目を評価する前に、表、図とそのキャプション、補足資料、参考文献一覧も含め、原稿全体を読みます（登録番号やプロトコルに関する参考文献は、参考文献一覧に記載されていることがよくあります）。

ステップ 4：各項目を評価する

医学論文で特に欠落しやすい項目は、適用されるガイドラインにかかわらず、まず次の項目を確認してください。 登録番号と登録日・変更日の整合性（ステップ 4c を実施）、サンプルサイズの根拠、欠測データの処理、盲検化、資金提供と利益相反、委員会名および承認番号を含む倫理承認、データ利用可能性に関する声明です。AI 研究では、トレーニング／検証／テストの分割、モデルのアーキテクチャとハイパーパラメーター、失敗モード分析、公平性／バイアス評価、データ／コードの利用可能性を含む商業的利害についても確認してください。

チェックリストの各項目について、次のいずれかを判定してください。

ステータス	基準
PRESENT	項目が十分な詳細とともに、完全に記載されています。
PARTIAL	項目に言及されているか、一部記載されていますが、必要な詳細が不足しています。
MISSING	論文内のどこにも項目が見つかりません。
N/A	この特定の研究には当てはまりません（理由を説明してください）。

各項目について、次の内容を記録してください。

• Status：PRESENT / PARTIAL / MISSING / N/A
• Location：セクション名と段落またはおおよその位置（例：「Methods、第 3 段落」）
• Notes：見つかった内容（PRESENT/PARTIAL の場合）、または追加すべき内容（MISSING の場合）

厳密に評価してください。 PARTIAL は、項目に言及されていても具体性が不足している状態を指します。曖昧な記載は PRESENT とみなしません。詳細のレベルは、ガイドラインが求める水準に達している必要があります。「適切な統計検定を用いた」は PARTIAL です（どの検定か）。「連続変数には Mann-Whitney U 検定、カテゴリ変数には Fisher の正確確率検定を用いた」は PRESENT です。適用可能性が本当に不明確な場合は、理由を添えて N/A としてください。

見落としやすい注意点が 2 つあります。

• 帰無結果を検出力に配慮して解釈する（STROBE 16a / 18 / 20） — 主な結果が統計的に有意でない関連である観察研究では、臨床的に意味のある効果を除外できるだけの検出力がない場合、「X は Y と関連しなかった」と断定すると、データから言える範囲を超えてしまいます。原稿が精度を除外の形で示している（例：「95％ CI は約 1.7 を超える eGFR 差を除外した」）か、最小検出可能効果を報告していない限り、項目 18/20 は PARTIAL としてください。「効果がなかった」と「大きさ X の効果を除外できなかった」は異なる主張であり、否定的な結論には後者が必要です。
• 「差があるものはすべて調整する」ではなく、交絡因子の選定根拠を示す（STROBE 16a では、どの交絡因子を調整し、その理由は何かを明示的に求めています） — Table 1 で変数間に差があることを理由に選んだ、手当たり次第の調整セットには注意してください。Methods には因果関係に基づく根拠（DAG／先行研究）が必要です。また、媒介因子またはアウトカムの結果である変数（過剰調整。例：eGFR モデルにおける血清尿酸）を調整してはいけません。根拠のない変数の追加も、根拠のない変数の除外も、項目 16a の欠落にあたります。

評価対象は原著論文の報告内容であり、それを自分が使いやすいかどうかではありません。 これはここで扱うすべての評価ツールに当てはまります。報告チェックリストにも、バイアスリスク／質評価ツールにも同様に当てはまります。各論文を抽出するために読む系統的レビューでは、特に見落としやすい点です。「結果は明確に報告されているか」という項目は、「自分のメタ解析に必要な単位で報告されているか」を尋ねているのではありません。評価を下げる理由が、分母、分析単位、個別に報告されていないために必要だったサブグループ、または解析できなかった形式に関するものであれば、それは抽出上の注記であって、評価の根拠ではありません。別途 extraction-note 列に記録し、評価を元に戻してください。抽出上の制約は、多くの場合、限界に関する段落に記載するものです。それを評価に含めると、評価の再現性が失われます。異なるメタ解析に取り組む別の評価者が、同じ論文を異なる評価にすることになるためです。

Step 4b: セクション境界チェック

チェックリスト項目に加えて、以下を確認してください。

• 結果セクションには事実に基づく知見のみを記載します。解釈、「なぜ」についての説明、先行研究との比較、数値を伴わない評価的な形容詞は含めません。
• 考察セクションでは、結果に提示されていない新たなデータを取り上げません。
• 境界違反があれば、Part C Action Items に独立した所見として [BOUNDARY] ラベルを付けて報告します。

Step 4c: 登録／プロトコルの時期の整合性チェック

対象： 系統的レビュー、メタ分析、前向き登録を伴う介入研究（PRISMA 2020、PRISMA-DTA、PRISMA-P、MOOSE、CONSORT、SPIRIT）。登録識別子はチェックリストの単一項目であり、Step 4 を通過しても、原稿内で登録や修正の時期と分析との関係に矛盾がある場合があります。

${CLAUDE_SKILL_DIR}/references/step4c_registration_timing.md（項目ごとの手順、JSON スキーマ、フラグ付けの例外処理）を読み、次の 5 項目を確認してください。(1) 登録識別子が Methods、Abstract、cover letter に記載されていること。(2) 初回登録日がデータ抽出の時点より前であること、またはデータ抽出後の登録であると明示されていること。(3) 修正日が Methods に記載され、変更内容が Methods に反映され、修正がデータ固定後であれば分析が再実行されており、投稿後の修正がないこと。(4) Methods が登録記録（PROSPERO PDF、ClinicalTrials.gov のエクスポート）と一致していること。説明のない不一致は所見として報告します。(5) データ抽出後の登録を示す証拠がある場合、後ろ向き登録についての開示段落があること。

フラグ付け： 不備はすべて、Part C Action Items に [REGISTRATION-TIMING] ラベルを付けて記録します。照合に外部への修正申請が必要な場合は fixable_by_ai: false とし、修正が別の箇所ですでに開示されている日付を Methods に追加するだけの場合に限り、true とします。Part D JSON には registration_timing オブジェクト（registry、id、initial_registration_date、amendments[]、timing_consistency、findings[]）を含めます。

登録 ID 形式ゲート： PROSPERO ID は CRD42 + 9 桁 = 14 文字です（^CRD42\d{9}$、例：CRD42024500001）。grep -oE 'CRD42[0-9]+' manuscript.md を実行し、一致する文字列がそれぞれ 14 文字であることを確認します。15 文字の ID（誤って数字が 1 桁挿入されたもの）は転記ミスとして [REGISTRATION-TIMING] のラベルを付けて記録します（fixable_by_ai: false — 正しい数字を推測せず、PROSPERO の最新の記録で確認してください）。

ステップ 4d：PRISMA 図 1 の算術および相互参照の監査

対象： PRISMA 2020／PRISMA-DTA／ PRISMA-P を使用するシステマティックレビューおよびメタアナリシス。項目 16a（フローダイアグラム）が PRESENT の場合に実行します。図はステップ 4 を通過していても、数値が一致しなかったり、本文の記述と食い違ったりすることがあります。

1. 図 1 のソースを次の順に選択します：（a）analysis/figures/Figure1_PRISMA.md の Markdown マニフェスト、（b）manuscript.md のキャプションテキスト、（c）.pptx が存在する場合は PPTX のテキストラン、（d）PNG／SVG からの手動入力。

2. 監査を実行します。次の 5 つの減算（スクリーニング対象数 = 特定数 − 重複数、取得を試みた件数 = スクリーニング対象数 − スクリーニング段階で除外した件数、取得した件数 = 取得を試みた件数 − 取得できなかった件数、適格性を評価した件数 = 取得を試みた件数 − 取得できなかった件数、採用した件数 = 適格性を評価した件数 − 理由を示して除外した件数）と、本文の PRISMA の数値が図 1 の各ボックスと 1 対 1 で一致することを確認し、qc/prisma_figure_audit.json に書き込みます：

   python3 ${CLAUDE_SKILL_DIR}/scripts/check_prisma_figure.py \
     --md <manuscript.md> --figure <Figure 1 source: .md manifest / caption / text export> \
     --out qc/prisma_figure_audit.json
   

   終了コード 1 は算術または相互参照の不一致、終了コード 2 は入力がない、または解析できないことを示します。図 1 の数値が PNG／SVG にしか存在しない場合は、手作業で転記し、${CLAUDE_SKILL_DIR}/references/step4d_prisma_figure_audit.md で指定されている同じチェック（正規表現セット、JSON スキーマ、重複するデータベース、引用文献検索の系統、二重査読者によるスクリーニングなどのエッジケース）を手動で実行します。

3. 手作業で確認します（スクリプトでは実行されません）：Methods と図の凡例に記載された除外理由が、件数とカテゴリ名の両方で一致すること、また、特定がソース（データベース、レジストリ、その他の方法）ごとに分かれている場合は、ソースごとの件数の合計が identified の合計と一致することを確認します。スクリプトが読み取るのは、最初の identified 件数だけです。

4. analysis/figures/_figure_manifest.md（/make-figures による生成）が存在する場合は、Type = prisma（または Type = prisma-dta）の行が、監査ソースに使用したものと同じファイルを指していること、および Critic フィールドが yes または partial（no ではない）であることを確認します。該当行がない場合、パスが一致しない場合、または Critic = no の場合は [MANIFEST-XREF] が記録されます（参考情報）。算術チェックは引き続き実行されます。

フラグ付け： 不一致または算術上の失敗がある場合は、ラベル [PRISMA-FIGURE]、fixable_by_ai: false の Part C アクション項目が記録されます（著者が数値を照合する必要があります）。

PRISMA カスケード算術の自動検証

PRISMA 2020 または PRISMA-DTA が選択され、ラウンドごとのスクリーニング TSV 成果物が利用可能な場合は、生の判定からスクリーニングカスケードを再計算します。本文のカスケードにおける 1 件のずれは、査読者が頻繁に指摘する危険信号です（例：151 + 108 + 39 + 1 + 1 + 4 = 304 に続き、4 行後の本文の要約では「305」となっている）。

python "${CLAUDE_SKILL_DIR}/scripts/prisma_cascade_check.py" \
    --round1 2_Screening/round1.tsv \
    --round2 2_Screening/round2.tsv \
    --round3 2_Screening/round3_adjudication.tsv \
    --manuscript manuscript.md \
    --out qc/prisma_cascade.json --strict

スクリプトは各ラウンドの INCLUDE／EXCLUDE／MAYBE 判定数を数え、カスケードを計算し、原稿の各段階の件数と一致しない箇所を報告します。manuscript_drift の項目はすべて P0 ブロッカーとして扱い、本文を計算されたカスケードに合わせて修正し、再実行してください。ファイルではない --manuscript パスを指定すると、終了コード 2 になります。原稿が読み込まれても、スクリプトが認識する段階を示す語句が見つからない場合、manuscript_check は "unverifiable"、submission_safe は false となり、UNVERIFIED 行が出力され、--strict は終了コード 1 になります。ドリフトチェックは実行されていないため、本文の各段階の件数を stage_counts と手作業で比較してください。stages_compared には、実際にチェックされた段階が列挙されます。

ステップ 4e：報告フレームワークの名称監査

対象： AI／拡張報告フレームワーク（PROBAST+AI、STARD-AI、TRIPOD+AI、TRIPOD-LLM、CONSORT-AI、SPIRIT-AI、PRISMA-DTA、QUADAS-C）を適用するすべての原稿。 基本となる報告ツールとその拡張版は、別々の引用を要する異なる評価ツールです。また、ステップ 1 では、本文中でフレームワークがどのように 命名されているか はチェックしません。よくある問題は、拡張版が拡張する基本評価ツールの名称や引用が一度もないまま拡張版を適用すること、同一ファミリーについて文書内で +AI と -AI のハイフン表記を混在させること、「12-AI」のような項目ラベルを独自に作ること、そしてフレームワークを明記せずに「最近のガイダンス」とだけ記すことです。

python3 "${CLAUDE_SKILL_DIR}/scripts/check_framework_naming.py" \
  --manuscript manuscript.md --out qc/framework_naming.json --strict

判定： BASE_MISSING（拡張版を使用しているが、基本評価ツールの名称が単独で一度も記載されていない）は重大な問題であり、Part C に fixable_by_ai: true として [FRAMEWORK-NAMING] を記録します（基本評価ツール名とその引用を追加）。HYPHEN_MIX、CITE_MISSING、SELF_COINED_LABEL、VAGUE_GUIDANCE は軽微な問題です（fixable_by_ai: true）。Part D の JSON には、スクリプトの claims[] を反映した framework_naming オブジェクトが含まれます。

ステップ 4f：重要項目の最低基準との照合

対象： 最低基準で項目が定義されているすべてのガイドライン評価です（該当するものだけを読み込んで確認し、リストにないガイドラインに最低基準を独自に設定しないでください）。項目ごとの表の後に、${CLAUDE_SKILL_DIR}/references/critical_item_floor.md を読み、この研究タイプにおける少数の免除不可の項目を確認します。また、AI／ML およびラジオミクスの原稿では、方法論の質／バイアスリスクを評価するツール（PROBAST+AI、METRICS/RQS、APPRAISE-AI）と、そこに挙げられている懸念事項も確認します。重要項目が欠落している場合は重大なギャップとして取り上げられ、全体の割合にかかわらずレポートの見出しになります。重要項目が欠落している（参照基準が未定義、データリークを防ぐ分割がない、予測モデルのキャリブレーションがない、フローダイアグラムに未解消の不整合がある）場合、割合が高くても「おおむね許容可能」とは言えません。

ステップ 5：レポートを生成する

このレポートは内部作業用の監査レポートです。自動修正の注釈、機械可読な JSON ブロック（compliance_pct、fixable_by_ai、…）、およびアクション項目を含みます。ジャーナルが求める正式な報告チェックリスト（著者が記入する空欄のガイドライン様式「Item | Recommendation | Reported in page/section」）ではありません。**このレポートを投稿用チェックリストとして提出しないでください。**ファイル自体で用途がわかり、ファイル名を使って後の投稿パッケージに流用できないよう、レポートの先頭行は必ず次のバナーにしてください。

ユーザーとどの言語でやり取りしているかにかかわらず、チェックリストの内容とレポートはガイドラインの原文に合わせて英語で記述します。qc/reporting_checklist.md として保存し、Part D の JSON は qc/reporting_checklist.json として保存します。

レポートを作成する際は ${CLAUDE_SKILL_DIR}/references/report_templates.md を読み込んでください。ここには次の 4 部分のテンプレートが記載されています。

• Part A — Summary. ヘッダー（原稿ファイル、バージョントークン、ガイドライン、日付）、PRESENT／PARTIAL／MISSING／N-A の件数表、および全体の準拠状況を記載します。見出しで強調するのは重要項目（ステップ 4f）であり、割合ではありません。{present}/{total} を報告し、未達の重要項目をすべて、該当するセクション名とともに記載します。
• Part B — Item-by-item checklist. 項目ごとに 1 行記載します。列は # | Section | Item | Status | Location | Notes です。
• Part C — Action items（MISSING と PARTIAL のみ）。次の順に並べます。ジャーナルが特に厳格に確認する項目（倫理承認、登録、サンプルサイズ）→ Methods の項目（最も修正しやすいもの）→ その他すべて。
• Part D — Machine-readable JSON。フェンス付きブロックとして末尾に追加します。--json が指定された場合、または /write-paper の Phase 7 から呼び出された場合は、解析されるため必ず記載してください。

JSON フィールドの仕様（他のスキルが依存する項目なので、正しく設定してください）。

• compliance_pct — present / (total_items - na) * 100。小数第 1 位まで。すべての項目が N/A の場合（total_items == na）は null。
• action_items — MISSING と PARTIAL のみ。PRESENT と N/A は含めません。
• fixable_by_ai — 原稿内にすでにある情報、または原稿から推測できる情報を使ってテキストを追加・拡充する修正なら true。著者だけが持つ外部情報（登録番号、IRB 承認番号、プロトコルの詳細、サンプルサイズの根拠と目標）が必要なら false。
• suggested_fix — そのまま挿入できる具体的な草案。角括弧付きのプレースホルダー（[N]、[rationale]）が残っている修正案は、そのまま挿入できないため fixable_by_ai: false です。
• source_sha256 — 原稿のバイト列の SHA-256 の先頭 12 桁の 16 進数。古いレポートが新しい原稿に誤ってひも付けられるのを防ぎます。

注記および修正案で参考文献を引用する場合は、/search-lit で確認済みの DOI または PMID のみを使用し、それ以外には [UNVERIFIED - NEEDS MANUAL CHECK] を付けます。臨床上の定義、診断基準、ガイドラインの推奨事項を決して捏造しないでください。不確かな点には [VERIFY] を付け、ユーザーに確認を求めます。

ユーザーからジャーナル指定の記入済みチェックリストを求められた場合は、${CLAUDE_SKILL_DIR}/references/report_templates.md の Submission checklist export テンプレートを使って作成してください。

---

スキル間の連携

場面	呼び出し先	目的
原稿の執筆中	/write-paper Phase 7	最終的な準拠状況の確認
Methods のテキストを追加する必要がある場合	/write-paper Phase 3	不足している Methods の内容を作成
統計の詳細が必要な場合	/analyze-stats	不足している統計報告を作成
フロー図が必要な場合	/make-figures	CONSORT／STARD／PRISMA 図を作成

ゲート

ゲート	重大度	トリガー	失敗時のアクション
必須項目の存在	提出時に強制	ガイドラインで必須とされる項目のうち、存在するとマークされたものが 100% 未満	テキストがある場合は不足項目を自動修正し、それ以外は再ドラフトのため /write-paper のフェーズ 7 に回す
ステップ 4d PRISMA 図 1 の算術および相互参照の監査（PRISMA / PRISMA-DTA のみ）	SR/MA で強制	フローの数値が合計と一致しない（例：スクリーニング済み ≠ 採用 + 除外）、または本文中の件数がフロー図と一致しない	停止し、抽出アーティファクトと照合する
任意項目（補足的な AI に関する宣言など）	助言	存在する任意項目が 80% 未満	警告する。ユーザーが判断する
報告ガイドライン間の振り分け（研究タイプ → ガイドライン）	強制	研究タイプが宣言されていない、またはガイドラインが不足している	ユーザーに確認し、黙って既定値を適用しない