ma-scout

MA Scout スキル

このスキルは、アイデアからトピックのランキングリスト作成まで、メタアナリシスのプロトコル策定前の段階を扱います。 実際の MA の実施（PROSPERO、スクリーニング、分析）には、/meta-analysis に引き継いでください。

モードの選択

シグナル	モード
教授の名前またはプロフィール URL が提示されている	A：教授優先
臨床上の疑問、キーワード、トレンド、または「トピックを探してほしい」	B：トピック優先
両方が提示されている（例：「この教授とこのトピック」）	A（トピックを絞り込み条件として使用）

判断が難しい場合は、教授（指導教員優先）で検索するか、トピック（疑問優先）で検索するかをユーザーに尋ねてください。

入力

モード A：教授優先

• 教授の名前（母語表記＋英語表記）；プロフィール URL（ScholarWorks、SKKU Faculty、Google Scholar、ORCID）；PubMed の著者リンク（識別のため cauthor_id 付きが望ましい）；既知の専門分野；所属歴（例：「Hospital A → Hospital B → retired」）
• 最低限必要な情報：名前＋プロフィール URL または PubMed リンクを 1 つ以上

モード B：トピック優先

• 臨床上の疑問またはキーワード；放射線科のサブスペシャルティの範囲；希望する MA の種類（DTA、 予後、介入 — 任意）；希望する役割（単独筆頭著者／共同筆頭著者／指導教員に合わせる）
• 最低限必要な情報：臨床上の疑問またはキーワード

ワークフロー

モード A（教授優先）： フェーズ 0 → 1 → 2 → 3 → 4 → 5 モード B（トピック優先）： T-フェーズ 0 → T-1 → T-2 → T-3 → T-4 → T-5 フェーズ 2（MA ギャップ分析）とフェーズ 4（README テンプレート）は、両方のモードで共通です。

WebFetch ではなく、/search-lit の E-utilities スクリプトを使って PubMed を検索してください。処理が速く、構造化された JSON/XML が返されます。スクリプトは ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh と、その隣にある parse_pubmed.py です。レート制限：呼び出し間隔は 350 ms（NCBI_API_KEY がある場合は 100 ms）。

モード A：教授優先ワークフロー

フェーズ 0：識別情報の確認とコンテキストの確認

PubMed で検索する前に、著者が誰かを特定してください。

1. まず英語のフルネームを特定します。 cauthor_id が提示されている場合は、その PMID のページを取得してフルネームと所属を確認してください。イニシャルのみで検索を始めることは絶対に避けてください。韓国系・アジア系の一般的なイニシャル（例：「Lee KS」）では、ノイズが大量に混入した論文が 300 件以上見つかる可能性があります。最初の検索は "[Full Name]"[Author] で行ってください。
2. 所属歴をユーザーに確認します。 {detected affiliation} が教授の経歴と一致するかを尋ねてください（教授は所属機関を移るため、決めつけないでください）。また、トピック案を調整できるよう、ユーザーと教授の関係も尋ねてください。ユーザーが所属歴を明示している場合に限り、この手順を省略できます。
3. プロフィール URL のフォールバック順：
   • 1 番目：PubMed でフルネーム検索（常に利用可能）
   • 2 番目：Google Scholar のプロフィール（WebSearch で "[Full Name]" radiology scholar を検索）
   • 3 番目：ResearchGate のプロフィール（WebSearch で "[Full Name]" researchgate radiology を検索）
   • 4 番目：ScholarWorks／SKKU／大学の教員ページ（URL が提示されている場合）
   • 最後：Scopus／ScienceDirect — 403 またはログインページへのリダイレクトが返るため、決して依存しないでください

フェーズ 1：プロフィールの調査（E-utilities API）

目標： 教授の特徴的な研究の柱を 5～6 つ特定します。

ステップ 1 — 総出版数と PMID の一覧：

bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh search \
  '"[Full Name]"[Author]' 200 \
  | python3 ${CLAUDE_SKILL_DIR}/../search-lit/references/parse_pubmed.py esearch

パーサーが 0 以外の終了コードを返した場合（エラーボディ、または count がない場合）、件数は不明です。検索を再実行し、論文数や MA 数を 0 として記録してはいけません。

ステップ 2 — MeSH ベースのクラスタリング用メタデータの取得（並列）：

# Get PMIDs from Step 1, then fetch summaries
bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh fetch_json \
  "PMID1,PMID2,..." \
  | python3 ${CLAUDE_SKILL_DIR}/../search-lit/references/parse_pubmed.py esummary

ステップ 3 — トピック別件数（Bash 呼び出しを 4～5 件、並列で実行）：

bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh search \
  '"[Full Name]"[Author] AND "keyword1"' 5
bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh search \
  '"[Full Name]"[Author] AND "keyword2"' 5
# ... repeat for each suspected pillar keyword

ステップ 4 — 自動的な研究の柱のクラスタリングに向けた MeSH 用語の抽出：

# Fetch full XML for top-cited papers to extract MeSH headings
bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh fetch \
  "PMID1,PMID2,...,PMID20" \
  | python3 -c "
import sys, xml.etree.ElementTree as ET
from collections import Counter
root = ET.fromstring(sys.stdin.read())
mesh_counts = Counter()
for article in root.findall('.//PubmedArticle'):
    for mh in article.findall('.//MeshHeading/DescriptorName'):
        mesh_counts[mh.text] += 1
for term, count in mesh_counts.most_common(30):
    print(f'{count:3d}  {term}')
"

→ 上位の MeSH 用語から、自然に分かれる研究の柱がわかります（例：「Colonography, Computed Tomographic」＝CTC の柱）。

ステップ 5 — Google Scholar プロフィール（PubMed 呼び出しと並列）： WebSearch "[Full Name]" radiology scholar google で h-index と引用データを調べます。ユーザーから提供された他のプロフィール URL があれば WebFetch で取得します（Scopus は対象外）。

出力：研究の柱のサマリーテーブル。 出版数と研究の柱の割り当ては E-utilities の出力から取得し、h-index は Scholar プロフィールから取得します。推定してはいけません。

研究の柱	分野	代表的なキーワード	MeSH 用語	推定論文数
1	...	...	...	~N+

フェーズ 2：MA のギャップ分析（複数ソース）

目標： PubMed、Consensus、Scholar Gateway、bioRxiv、PROSPERO を使って、各研究の柱に実行可能な MA のトピックがあるか判断します。

研究の柱は並列で実行します。最大 4 つのサブエージェントがそれぞれ 1～2 つの研究の柱を担当し、2a～2g を実行します。各エージェントは raw k、現実的な k、確認したすべてのソースを報告します。PubMed の結果が 0 件の場合や、Consensus／Scholar Gateway が利用できない場合は、推測せず、その制約を明記してください。

2a. PubMed E-utilities — 既存の MA と一次研究

# Existing MAs (structured count)
bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh search \
  '[pillar keywords] AND ("meta-analysis"[pt] OR "systematic review"[pt])' 50

# Primary studies with extractable outcomes
bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh search \
  '[pillar keywords] AND ("sensitivity" OR "specificity" OR "accuracy" OR "prognosis" OR "outcome")' 50

2b. Consensus MCP — 意味検索による MA のギャップ検出

mcp__claude_ai_Consensus__search を使って、PubMed のキーワード検索では見つからない可能性のある既存の SR／MA を探します。

query: "systematic review OR meta-analysis [pillar topic] [imaging modality]"

Consensus は引用数順に結果を返します。提案する範囲をすでに扱っている、引用数の多い MA がないか確認してください。 制限： フェーズ 2 の実行全体で、すべてのエージェントを通じて Consensus の呼び出しは最大 3 回です（レート制限）。レート制限に達した場合は 30 秒待ってから、1 回だけ再試行してください。

2c. Scholar Gateway — 意味的類似性検索

mcp__claude_ai_Scholar_Gateway__semanticSearch を使って、異なる用語（例：「meta-analysis」ではなく「pooled analysis」）で記述された MA、異なるキーワードを使っていて対象範囲が重なる MA、トピックの一部を扱う方法論レビューを探します。

2d. bioRxiv/medRxiv — 掲載前の競合検出

mcp__claude_ai_bioRxiv__search_preprints を使って、プレプリントとして公開されているものの、まだ PubMed に収録されていない MA、プレプリントとして共有されている SR／MA のプロトコル、実行可能性を左右する可能性のあるごく最近の一次研究を見つけます。

query: "[pillar keywords] meta-analysis OR systematic review"
server: "medrxiv"  (clinical topics; "biorxiv" for preclinical)

2e. 評価マトリックス

要因	基準
MA のギャップ	既存 0 件＝最適、1～3 件＝範囲の重複を確認、5 件超＝飽和
一次研究の k	DTA で 8 以上、予後研究で 6 以上（最低限）、15 以上が理想
新しさ	最後の MA から 5 年以上経過している＝更新の機会
競合	直近 2 年間に参入を阻むごく最近の MA がないか確認

2f. PROSPERO の競合チェック（必須）

• WebSearch で site:crd.york.ac.uk/prospero [topic keywords] を検索します。WebFetch で https://www.crd.york.ac.uk/prospero/#searchadvanced も試します。
• 登録済みだが未発表のプロトコルが参入を阻む可能性がないか確認します。PROSPERO で一致するものが見つかった場合は、ランキングで 🚫 競合リスクとしてフラグを立てます。
• 正確な検索クエリ、検索日、次のステータスのいずれか 1 つを記録します：searched (match found)、searched (no match)、not checked (unavailable/failed)。結果一覧ではなくサイトのシェルやエラーページが返された場合は、not checked とします。PROSPERO の条件をクリアできるのは searched (no match) のみです。

2g. 現実的な k の推定

• PubMed のヒット件数は実際の k ではありません。多くの研究には 2×2 データや HR がないため、ヒット件数は実数を 3～7 倍過大評価します
• DTA トピックでは、控えめに k_realistic ≈ raw_count × 0.15–0.30 として割り引きます
• k_realistic < 8（DTA）または < 6（予後予測）の場合は、実現可能性のリスクとして ⚠️ を付けます
• 実数と現実的な推定値の両方を報告します。例：estimated k: ~130 (raw) → ~20–40 (extractable DTA data)

2h. ニッチなサブトピックの発見（ピラーが飽和している場合、既存の MA が 5 件超）

以下の切り口を試し、Consensus を使ってニッチな切り口がすでに扱われているか確認します。

1. 「初の MA」ルール： 教授の最も独自性が高くニッチなサブトピックのうち、MA = 0 のもの
2. AI／ラジオミクスのオーバーレイ： 従来の画像診断トピックに AI アプローチを組み合わせる
3. 治療反応： 診断に関する MA は飽和していることが多い一方、治療モニタリングには未開拓の領域が多くあります
4. モダリティ比較： 直接比較（例：CEUS と MRI）は十分に研究されていないことが多いです
5. ガイドラインのギャップ： 教授が執筆したガイドラインを裏付け、更新する MA
6. 集団のニッチ： 特定のサブ集団、疾患サブタイプ、または地域集団（例：寄生虫疾患、TB）
7. 経時的な更新： 最後の MA から 5 年超が経過しており、その後に重要な一次研究が発表されている

フェーズ 3：トピックのランキング

目標： 実施可能なすべてのトピックを総合スコア順にランク付けします。候補を 5 つの基準で評価します（★1～5）。

基準	重み	説明
教授との適合性	最高	教授のキャリアにおける中核領域、論文数、独自の貢献
MA のギャップ	高	既存の MA がない ＞ 最後の MA から ≥5 年経過 ＞ 最近の MA がある
実現可能性（k）	高	組み入れ可能な研究の数と、2×2 または HR データの抽出可能性
臨床的インパクト	中	トピックが臨床上の意思決定に直接役立つかどうか
実施の容易さ	中	文献のみで完了できるか、異質性の管理がどれほど難しいか

出力：トピックのランキング表

順位	トピック	教授のピラー	既存 MA	推定 k（実数→現実的な推定値）	PROSPERO での競合	判定
1	...	...	0	~98 → 15–30	なし	✅ 最適

フェーズ 4：フォルダーと README の準備

目標： 実施可能な各トピックのプロジェクトフォルダーと README を作成します。

1. フォルダーの場所： {working_dir}/ma-scout/{initials}_{professor_name}/{NN}_{topic_slug}/
   • 教授のフォルダー：{initials}_{name}（例：KDK_Kim、LKS_Lee）
   • NN：教授ごとの連番（01、02、...）。topic_slug：英語で、単語をアンダースコアで区切ります
   • 作成前に ls を使って既存のフォルダーを確認します
2. README.md（PROSPERO 対応）： ${CLAUDE_SKILL_DIR}/references/project_readme_template.md のテンプレートブロックを {topic_folder}/README.md にコピーし、内容を埋めます（PICO/PIRD の枠組み、予備検索、投稿先ジャーナルの表、逆算したスケジュール）。ユーザーが、その参照ファイルに記載されている韓国語の PI 向けバリアントを求めない限り、研究上の問い、PICO/PIRD、README の内容は英語で記述し、医学用語は常に英語にします。

フェーズ 5：出力の要約

1. ランキング表と README ファイルを作業ディレクトリに保存します。
2. スキャンしたトピックの総数、実施可能なトピックの数、推奨する次の手順を要約します（引き継ぎを参照）。

モード B：トピック優先のワークフロー

T-Phase 0: トピックの明確化と範囲設定

目標： ユーザーの臨床的な疑問を、検索可能で PROSPERO に登録できる範囲へと絞り込みます。特定のアイデアがなく、トピックの提案を求められた場合は、候補となる疑問を生成するために、まず ${CLAUDE_SKILL_DIR}/references/topic_discovery_heuristics.md を読みます。

1. 入力を解析する — 疾患／病態（例：「肝細胞がん」）；画像診断モダリティまたは介入（例：「デュアルエナジー CT」、「AI CAD」）；アウトカムの種類：DTA（Se/Sp）、予後（HR/OR）、介入（RR/MD）、線量測定；対象集団の詳細（例：「スクリーニング環境」、「肝硬変患者」）。
2. 隣接する切り口を広げる — 次のように 3～5 個のバリエーションを提案します。

   user input: "AI for lung nodule malignancy prediction"
   → variant 1: AI vs radiologist for lung nodule malignancy prediction (DTA)
   → variant 2: Radiomics for lung nodule malignancy (DTA)
   → variant 3: Deep learning for incidental pulmonary nodule management (prognostic)
   

3. ユーザーが調査を進める切り口を 1～3 個選ぶ。

T-Phase 1: 情勢調査（複数ソース）

目標： 選択した各切り口について、MA の状況を迅速に評価します。すべての切り口を並行して実行します。 各切り口について：

1a. PubMed — 既存 MA の件数

bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh search \
  '[topic keywords] AND ("meta-analysis"[pt] OR "systematic review"[pt])' 50

1b. PubMed — 一次研究の候補群

bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh search \
  '[topic keywords] AND ("sensitivity" OR "specificity" OR "hazard" OR "outcome")' 100

1c. Consensus MCP — 意味ベースの MA 検索

query: "systematic review [topic] [modality]"

異なる用語を使った MA がないか確認します。

1d. bioRxiv/medRxiv — プレプリントとの競合

query: "[topic] meta-analysis"
server: "medrxiv"

1e. PROSPERO — 登録済みプロトコル

WebSearch: site:crd.york.ac.uk/prospero [topic keywords]

出力：情勢の要約表

バリエーション	既存 MA	一次研究 k（生の値）	k（現実的な値）	PROSPERO	プレプリント MA	判定
1	3	120	18-36	1	0	⚠️ 競合あり
2	0	85	13-25	0	0	✅ 最適

T-Phase 2: 実現可能性の詳細評価

目標： 実施可能な切り口（MA ≤ 2、PROSPERO との競合なし）について、Mode A と**同じ Phase 2（MA ギャップ分析）**を、ステップ 2a～2h まで実施します。「Professor fit」の評価は不要なので、以下に焦点を当てます。

• ギャップの確実性 — 既存の MA は、提案する範囲と本当に重複していないか？
• k の質 — 一次研究には MA を行うだけの異質性があるか、それとも均質すぎるか？
• ユーザーの専門領域との適合性 — ユーザーの放射線科 AI／画像診断の専門性に合致しているか？

T-Phase 3: トピックの順位付け（トピック優先の重み付け）

基準	重み	説明
MA のギャップ	最高	既存 MA なし > 更新の機会 > 飽和状態
実現可能性（k）	最高	k_realistic ≥ 8（DTA）または ≥ 6（予後）
ユーザーの専門領域との適合性	高	ユーザーの専門分野に合致するか？
臨床的影響	中	ガイドラインを変える可能性があるか；臨床上の意思決定に直接結び付くか
共著者の確保しやすさ	中	その領域の専門家にアクセスできるか（既存の関係がある、または連絡を取りやすい）
実行の容易さ	中	単独で実施できるか、それとも専門家による解釈が必要か

出力：順位付けしたトピック表

順位	トピック	既存 MA	推定 k	PROSPERO	共著者の必要性	総合評価
1	...	0	25	なし	任意	✅ 最適

T-Phase 4: 共著者のマッチング（任意）

目標： ユーザーがシニア共著者を希望する場合、候補者を探します。

戦略 1 — 既存のネットワーク： 作業ディレクトリ内のメモリファイルや既存の教授フォルダーを確認し、そのトピックを専門分野が自然にカバーする教授を探します（最適な候補）。

戦略 2 — PubMed での逆引き検索：

# Find prolific authors in this specific topic
bash ${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh search \
  '[topic keywords] AND ("{user_country}"[Affiliation])' 100

次に E-utilities efetch を使い、著者の頻度を調べます。このニッチ領域で最も多く論文を発表している上位 5 名が、共著者候補となります。Google Scholar で h-index と最近の活動状況を照合します。

戦略 3 — 自主主導（シニア共著者なし）： ユーザーに出版済みの MA が 2 件以上あり、トピックの方法論が簡潔な場合に実施可能です。2 人目の査読者（若手の同僚または同業者）は依然として必要です。これを README に明記します。責任著者はユーザーです。

出力： 共著者の推薦表、または「単独実施可能」という判定。

T-Phase 5: フォルダーとREADMEのひな形作成（トピック優先）

1. フォルダーの場所： {working_dir}/ma-scout/TOPIC/{NN}_{Topic_Abbreviation}/（例： 01_AI_Lung_Nodule_DTA/）。トピック優先のプロジェクトでは、教授のイニシャルではなく TOPIC/ プレフィックスを使用します。後から共著者が見つかった場合は、教授のフォルダー配下に移動できます。
2. README.md： ${CLAUDE_SKILL_DIR}/references/project_readme_template.md にある、Solo-Mode Adaptations を適用したPhase 4のテンプレート（Lead/Domainの行、Team Expertise、セルフ主導のタイムライン）。
3. 概要： Mode A Phase 5と同じです。順位付けした結果を保存し、次のステップを提案します。

品質ゲート

トピックを実行可能と判断する前に、以下を確認してください。

• (A) 著者の本人確認済み — E-utilities efetchでフルネームを特定し、イニシャルのみの情報が混入していない
• (A) 所属をユーザーに確認済み（または信頼できる情報源で確認済み）
• (A) 教授の論文実績から、この分野における明確な専門性を確認できる
• (B) 臨床的疑問をPICO/PIRDに具体化済み（キーワードだけではない）
• (A) MA = 0、または最後のMAから5年以上経過していることを確認済み（想定ではなく、PubMed E-utilitiesで確認）
• 複数の情報源で相互検証済み — PubMedに加え、接続されているすべてのセマンティック検索またはプレプリントの情報源（Consensus、Scholar Gateway、bioRxiv/medRxiv）を確認済み。利用できなかった情報源は、確認できなかったものとして明記・記録し、「競合する研究は見つからなかった」としてはならない。異なる用語による未確認のMAや、進行中のプレプリントMAがない
• 現実的なk ≥ 8（DTA）または ≥ 6（予後予測）であることを確認済み。k_realistic = 生の件数 × 0.15～0.30 （§2g：生のヒット数の15～30％を残す、つまり70～85％の割引です。15～30％の割引ではありません）
• PROSPEROを検索済み — 検索を実行して結果を取得済み（検索クエリと日付を記録、§2f）で、登録済みの競合プロトコルが見つかっていない。PROSPERO検索に失敗した場合や利用できなかった場合は「確認できず」とし、「該当なし」としてはならない。この項目は未完了のままにする
• 過去2年間に発表予定またはプレプリントで公開された競合するMAがない
• 研究上の疑問がPROSPEROに登録できるほど具体的である
• (B) 臨床的な解釈に必要なユーザーの専門知識が十分である（または共著者を特定済み）。2人目のレビュー担当者を特定済み、または採用計画がある
• (B) セルフ主導の場合：ユーザーに出版済みのMAが2件以上ある（それ以外の場合は共著者を推奨）
• READMEに以下が含まれている： 完全なPICO/PIRD、PubMed検索式、Embaseの検索式案、IFを含む投稿先ジャーナル、タイムライン

引き継ぎ

• **/meta-analysis**へ：トピックが承認され、PROSPEROプロトコルの作成準備が整った場合（READMEにPICOと検索式が含まれている）
• **/manage-project**へ：プロジェクトフォルダーのひな形を完全に作成する必要がある場合、またはユーザーがプロジェクト管理用に結果を保存したい場合
• **/search-lit**へ：着手を決める前に、より詳細な予備検索が必要な場合
• **/analyze-stats**へ：推定kの実現可能性を判断するため、検出力またはサンプルサイズの計算が必要な場合

フェーズ 6：提案前パイプライン（スカウト後）

MA Scout が実施可能なトピックを特定したら、教授に連絡する前に「提案可能な状態」のパッケージを準備します。トピックはそれぞれ独立しているため、1 ウェーブにつき最大 4 つのエージェントを実行し、それぞれが検索 → 取得 → トリアージ → ファイル作成を行います。

1. 検索の実行 — 同義語を拡張した E-utilities（retmax=200）
   • 一次検索：[トピック] AND [アウトカムのキーワード]
   • 既存の MA 検索：[トピック] AND ("meta-analysis"[pt] OR "systematic review"[pt])
2. メタデータの収集 — fetch_json → esummary（PMID を 40～50 件ずつバッチ処理）
3. タイトルに基づくトリアージ — INCLUDE / MAYBE / EXCLUDE に分類
   • 検索結果内に既存の MA がないか確認します。初回のスカウトで見落としている可能性があります
   • 母集団に混在するサブアプローチを分けます（例：気管支鏡下と経皮的）
   • 教授自身の論文（権威を示す証拠）と撤回された論文にフラグを付けます
4. PRISMA フローの草案 — Identification → Screening → Eligibility → Included（推定）
5. ギャップの再評価 — MA の件数を更新し、必要に応じて位置付けを見直します： MA=0 →「初の MA」 | MA=1（5 年超）→「MA の更新」 | MA≥3（最近）→対象外／ニッチ
6. 出力ファイル：
   • candidates.md — トリアージの全表 + PRISMA フロー + ギャップの調査結果
   • README.md — 実際の数値を反映した「予備検索」セクション

教授への連絡パッケージ — 提案前パッケージでは、候補数 + ギャップを裏付ける証拠（例：「MA = 0、35 件の研究を組み入れ予定」）、明確な役割の説明（例：「独立したスクリーニングレビュー + ディスカッションのみ」）、およびトピックを確保するための PROSPERO 事前登録の緊急性を教授に提示します。