check-reporting

报告规范核查技能

参考文件

清单存放在 ${CLAUDE_SKILL_DIR}/references/checklists/ 目录下，每种工具对应一个文件。每个文件的标题中注明版本、来源引文和许可，并说明其中的条目文字是原文还是用自己的话概述的版本。

• STROBE.md -- STROBE
• STROBE_MR.md -- STROBE-MR 2021
• RECORD.md -- RECORD 2015（药物研究适用 RECORD-PE）
• REMARK.md -- REMARK
• TARGET.md -- TARGET 2025
• GATHER.md -- GATHER 2016
• CHEERS_2022.md -- CHEERS 2022
• CROSS.md -- CROSS 2021 + CHERRIES（互联网调查）
• SRQR.md -- SRQR 2014（所有定性研究方法）
• COREQ.md -- COREQ 2007（访谈和焦点小组）
• 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（放射组学）
• 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 摘要版，共 12 项。这是一种独立工具，并非 27 项清单的子集（主清单第 2 项指向该工具）：评分时使用其自身的分母。
• 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

---

工作流

步骤 0：预先检查现有清单是否过时

如果项目已有清单（qc/reporting_checklist.json 或先前的 .md 报告），在重复使用前确认它针对的是当前稿件——基于旧版本生成的清单会包含过时的章节／行号引用和版本标签：

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

退出码非零表示清单已过时（target_version 较旧、source_sha256 已更改、target_manuscript 不同），或生成时间早于版本契约：请针对当前稿件重新生成清单（步骤 1–5），不要重复使用。每份生成的报告都会包含 target_manuscript / target_version / source_sha256 字段（A 部分标题和 D 部分 JSON），以便下次执行此检查。

步骤 1：选择指南

使用用户指定的指南；否则，根据研究类型自动检测。如果研究类型不明确，请先询问用户确认，再选择指南。

自动检测映射：

研究类型	主要指南	AI 扩展
观察性研究	STROBE	--
孟德尔随机化研究	STROBE-MR（基础 STROBE + MR 扩展）	--
卫生经济学评价（成本效果／成本效用／成本效益／预算影响）	CHEERS 2022	--
使用常规收集数据（理赔数据／EHR／登记库／健康体检数据库）的观察性研究	RECORD（基础 STROBE + RECORD 扩展；药物研究使用 RECORD-PE）	--
调查／问卷研究（KAP、医师／患者、横断面、电子调查）	CROSS（互联网调查另加 CHERRIES）	--
范围综述（梳理证据的广度／性质、阐明概念、识别空白——并非聚焦于效果／准确性问题）	PRISMA-ScR（基础 PRISMA + 范围综述扩展）	--
定性研究（访谈、焦点小组、民族志、扎根理论、现象学、文档分析）	SRQR（适用于所有定性方法）；COREQ（专用于访谈／焦点小组）	--
随机对照试验	CONSORT 2025	CONSORT-AI
诊断准确性研究	STARD 2015	STARD-AI
预测模型（开发／验证）	TRIPOD	TRIPOD+AI
多基因（风险）评分预测研究	PGS-RS（搭配 TRIPOD／TRIPOD+AI 使用）	--
预后肿瘤标志物／生物标志物研究（单个或多个标志物；例如 ctDNA／分子残留病灶）	REMARK（观察性设计相关条目搭配 STROBE 使用；若开发预后模型，则搭配 TRIPOD／TRIPOD+AI 使用）	--
在观察性数据中模拟因果／比较效果问题（基于登记库／EHR／理赔数据比较治疗与治疗、筛查与不筛查、药物 A 与 B）	TARGET（设计方面搭配 /design-study 中的目标试验模拟模块；常规收集数据相关条目搭配 RECORD／STROBE）	--
健康估计／疾病负担建模研究（GBD 或 GBD 卫星研究、比较风险／人群归因分值、死因或患病率／发病率估计，可包含或不包含预测）	GATHER（分析层面搭配 /analyze-stats 中的负担分解与预测指南）	--
系统综述／荟萃分析	PRISMA 2020	PRISMA 2020 for Abstracts（针对摘要运行，单独评分）
DTA 系统综述／荟萃分析	PRISMA-DTA	PRISMA 2020 for Abstracts（针对摘要运行，单独评分）
观察性研究的荟萃分析	MOOSE	PRISMA 2020（两者均使用）
偏倚风险（DTA 研究）	QUADAS-3（当前推荐版本）	仅在评估或复现使用 QUADAS-2 的综述时使用 QUADAS-2
偏倚风险（RCT）	RoB 2	--
偏倚风险（非随机干预研究）	ROBINS-I	--
偏倚风险（非随机暴露研究）	ROBINS-E	--
偏倚风险（比较性 DTA 研究）	QUADAS-C	QUADAS-3（两者均使用；采用 E&E 的调整方案——参见 QUADAS3.md 中的 Using QUADAS-C with QUADAS-3）
偏倚风险（预测模型）	PROBAST	PROBAST+AI
偏倚风险（系统综述）	ROBIS	AMSTAR 2
偏倚风险（MA 中的缺失证据）	ROB-ME	--
偏倚风险（网络荟萃分析）	RoB NMA	--
偏倚风险（测量属性）	COSMIN RoB	--
质量评估（观察性研究）	NOS	--
病例报告	CARE	--
研究方案	SPIRIT 2025	SPIRIT-AI
动物研究	ARRIVE 2.0	--
临床影像中的 AI／ML 研究	CLAIM 2024	--
使用大语言模型的研究（开发／微调／提示／评估 LLM）	TRIPOD-LLM	当 LLM 准确性是结局指标时，同时使用 MI-CLEAR-LLM
AI 决策支持系统的早期阶段／实时临床评估（人为因素、工作流、安全性）	DECIDE-AI	--
医疗领域的 LLM 准确性评估	MI-CLEAR-LLM	同时使用 STARD-AI 或 CLAIM 2024
可靠性／一致性研究	GRRAS	--
SR 方案	PRISMA-P	--
不进行荟萃分析的证据综合	SWiM	PRISMA 2020（两者均使用）
系统综述质量	AMSTAR 2	ROBIS
放射组学研究	CLEAR	若包含深度学习，则使用 CLAIM 2024
教育／质量改进研究	SQUIRE 2.0	--
生成式 AI 图像本身就是研究对象（真实感／真实与合成图像阅读者研究／模型间质量比较）	（没有单一指南——需组合使用）	参见下方决策辅助

QUADAS-3 包含两个方案阶段，通常在本技能运行时，这两个阶段早已结束。 阶段 1（说明综合分析问题）和阶段 2（定义每项判断所依据的理想诊断准确性试验） 属于综述层面的工作，应在方案中完成，并提供针对该综述的指导，说明如何回答各项信号问题。若到稿件质控时才首次着手这些阶段，就意味着是在看到结果后才编写比较标准。若缺少这些内容，应将其列为局限，而不是重新构建；方案相关工作应交由 /meta-analysis 第 1 阶段处理。质控流程真正能够执行的是阶段 3–6。 规则：

• 用户指定的指南就是要评分的指南。 仅当用户未指定指南时，才按以下规则选择。如果用户要求使用其他或额外的工具（例如，AI 指数测试使用 STARD-AI，机器学习预测模型使用 TRIPOD+AI，或某项 AI 扩展），则对指定指南评分，并在报告顶部添加一行，说明哪个工具更合适以及重新运行的命令，例如： /check-reporting STARD-AI。不要自行切换或添加工具：用户需要将报告对应到期刊要求的清单表单。
• 如果研究涉及 AI/ML，则应用该指南的 AI 版本。CONSORT-AI 和 SPIRIT-AI 与其基础指南一并评分；TRIPOD+AI、STARD-AI 和 TRIPOD-LLM 则取代其基础指南（见下文）。
  • 例外 — TRIPOD：TRIPOD+AI 2024（Collins 等，BMJ 2024）是对 TRIPOD 2015（Moons 等，Ann Intern Med 2015）的完整重写，并非附加内容。对于非 AI 预测模型，仅使用 TRIPOD 2015。对于 AI/ML 预测模型，仅使用 TRIPOD+AI 2024。不要同时应用两者。
• STARD-AI（Sounderajah 等，Nat Med 2025）在 STARD 2015 的基础上新增 14 项并修改 4 项（共 40 项），且纳入了 STARD 2015 的所有条目。对于 AI 诊断准确性研究，仅使用 STARD-AI —— 不要同时应用 STARD 2015 和 STARD-AI。
• TRIPOD-LLM（Gallifant 等，Nat Med 2025）是针对开发、微调、提示或评估用于临床/生物医学任务的大语言模型的研究的报告指南。它扩展了 TRIPOD 系列（TRIPOD 2015 → TRIPOD+AI 2024 → TRIPOD-LLM 2025）；请注明基础工具和扩展，并分别引用。它采用模块化设计——若研究中不存在相应组件，则与任务相关的条目（标注、提示、摘要、指令微调）标为 N/A。对于 LLM 研究，使用 TRIPOD-LLM 取代 TRIPOD+AI；如果 LLM 准确性是评估结果，则同时使用 MI-CLEAR-LLM。随附的清单是教学摘要（以自己的措辞转述条目意图）；提交清单时，请填写官方工具。
• MI-CLEAR-LLM 是补充清单（2025 年更新版包含 8 类条目；2024 年原版包含 6 类），并非独立的报告指南。务必将其与研究的主要指南搭配使用（例如，AI 诊断准确性研究使用 STARD-AI，影像 AI 使用 CLAIM）。每当研究将 LLM 准确性作为评估结果时，都应使用该清单——不要仅仅因为手稿由 LLM 辅助撰写就使用它。其适用范围是 LLM 准确性研究（包括解读图像的 VLM）；如果研究对象是由生成式模型生成的图像，则不适用于研究层面（见下一条）。
• 将生成式 AI 图像作为研究对象（生成式模型合成图像，而研究评估其真实性、可控性、区分真实图像与合成图像的能力，或模型间的质量差异）目前没有单一的主导清单。请组合使用：生成器方面采用 CLAIM 2024（影像 AI 总体框架；直接使用商业模型时，模型开发相关条目标为 N/A）+ FUTURE-AI 可追溯性 + MI-CLEAR-LLM 仅限透明度条目（提示词/模型/版本/参数/运行次数——用于生成来源说明，而非研究层面的合规性）；评估方面采用 STARD-AI（用于真实图像与合成图像的检测）+ GRRAS（阅片者可靠性）+ MRMC 报告。标明适用条目并引用基础指南和扩展；切勿声称全面合规。完整决策辅助材料：${CLAUDE_SKILL_DIR}/references/genai_image_study_object_decision_aid.md。
• 如果有多个指南适用（例如，兼具 AI 研究属性的诊断准确性研究），请对照所有相关指南进行检查，并合并为一份报告。

步骤 2：加载清单

1. 先运行快速失败防护检查，检查你打算应用的每项指南：

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

   • 退出码为 0 → 随附的清单存在；从 ${CLAUDE_SKILL_DIR}/references/checklists/ 中读取并继续。
   • 退出码为 1（MISSING_CHECKLIST_CONTRACT_VIOLATION）→ 已路由该指南，但未随附清单 文件。不要凭记忆编制条目。 停止操作，向用户报告违规情况；除非用户明确选择继续（见下一条）。
   • 退出码为 2（UNKNOWN_GUIDELINE）→ 无法识别该名称；请与用户确认正确的指南。

2. 不得静默回退。 只有用户明确同意时，才允许使用凭记忆编制的清单——使用 --allow-from-memory 重新运行防护检查（退出码为 0，并显示 NON-AUTHORITATIVE 警告）。此时，报告必须醒目注明评估内容依据模型知识编制，且没有随附清单作为依据；不得据此声明 submission_safe。

步骤 3：检查稿件

在评估任何条目之前，先通读整篇稿件——包括表格、图及其说明、补充材料和参考文献列表（注册号和方案 引用通常位于其中）。

步骤 4：评估每个条目

医学论文中最常缺失的内容——无论适用哪项指南，都应优先检查： 注册号与注册日期／修订日期是否一致（运行步骤 4c）、样本量论证、缺失数据处理、盲法、资助与利益冲突、伦理审批（包括委员会名称和审批编号），以及数据可用性声明；对于 AI 研究，还应检查训练集／验证集／测试集划分、模型架构和超参数、失效模式分析、公平性／偏倚评估，以及商业利益和数据／代码可用性。

对于每个清单条目，确定：

状态	标准
PRESENT	已充分说明该条目，且细节充足。
PARTIAL	提及或部分说明了该条目，但缺少必要细节。
MISSING	在论文中任何地方都未找到该条目。
N/A	该条目不适用于这项特定研究（说明原因）。

对于每个条目，记录：

• 状态：PRESENT / PARTIAL / MISSING / N/A
• 位置：章节名称及段落或大致位置（例如“方法，第 3 段”）
• 备注：找到的内容（若为 PRESENT/PARTIAL），或应补充的内容（若为 MISSING）

严格评估。 PARTIAL 表示提及了该条目，但缺乏具体细节；笼统提及不算 PRESENT——细节程度必须符合指南的要求。“我们采用了适当的统计检验” = PARTIAL（采用了哪些检验？）；“我们对连续变量采用 Mann-Whitney U 检验，对分类变量采用 Fisher 精确检验” = PRESENT。如果确实无法判断某条目是否适用，应标记为 N/A 并说明理由。

有两个容易漏掉的问题：

• 对无结果的结论结合统计效能谨慎表述（STROBE 16a / 18 / 20）——对于主要结论为不显著关联的观察性研究，如果分析没有足够效能来排除具有临床意义的效应，简单地说“X 与 Y 无关联”就会夸大数据所能支持的结论。除非论文说明精确度足以排除某种效应（例如“95% CI 排除了大于约 1.7 的 eGFR 差异”），或报告最小可检测效应，否则应将条目 18/20 标记为 PARTIAL；“没有效应”和“无法排除大小为 X 的效应”是不同的结论，而否定性结论需要采用后一种表述。
• 说明选择混杂因素的依据，而非“调整所有有差异的变量”（STROBE 16a 明确要求说明调整了哪些混杂因素，以及为何调整）——如果根据表 1 中存在差异而选择了一组包罗万象的调整变量，应予以标记。方法部分必须说明因果依据（DAG／既有文献），且不得调整中介变量或结局的后果（过度调整，例如在 eGFR 模型中纳入血清尿酸）；无正当理由地纳入或遗漏变量，都是条目 16a 的缺漏。

评估对象是原始论文的报告情况，而不是你使用它是否方便。 这里的每一种工具都遵循这一原则，无论是报告清单，还是偏倚风险／质量评估工具；在系统综述中尤其容易忽略这一点，因为你阅读每篇论文是为了从中提取数据。“结果是否报告清楚？”这一条目问的不是“结果是否采用了符合汇总分析需求的单位报告”。如果降级的理由涉及分母、分析单位、你需要但论文未单独报告的亚组，或你无法解析的格式，那属于数据提取备注，而非评分理由：应在单独的数据提取备注栏中记录，并恢复原评分。数据提取方面的限制通常应写入局限性段落；如果将其纳入评分，会使评估无法复现，因为使用不同数据集的另一位评估者可能会对同一篇论文给出不同评分。

步骤 4b：章节边界检查

除核对清单项目外，还需确认：

• 结果部分仅包含事实性发现：不得包含解释、“原因”说明、与既往文献的比较，也不得包含没有数据支撑的评价性形容词。
• 讨论部分不得引入结果部分未呈现的新数据。
• 将任何边界违规作为 Part C Action Items 中的独立发现，并标注为 [BOUNDARY]。

步骤 4c：注册／方案时间一致性检查

适用范围： 系统综述、荟萃分析，以及已进行前瞻性注册的干预研究（PRISMA 2020、PRISMA-DTA、PRISMA-P、MOOSE、CONSORT、SPIRIT）。注册标识符是一个独立的核对清单项目，可通过步骤 4 检查，但稿件对注册和修订发生时间与分析的先后关系可能表述不一致。

阅读 ${CLAUDE_SKILL_DIR}/references/step4c_registration_timing.md（逐项操作流程、JSON 架构、边界情况标记说明），并执行以下五项检查：(1) Methods、Abstract 和 cover letter 中均包含注册标识符；(2) 初始注册日期早于数据提取节点，或明确披露该日期晚于数据提取节点；(3) Methods 中注明修订日期，Methods 中能看出所述变更，若修订日期晚于锁定日期则已重新运行分析，且没有修订日期晚于投稿日期；(4) Methods 与注册记录（PROSPERO PDF、ClinicalTrials.gov 导出文件）一致——未说明的差异应作为发现记录；(5) 有证据表明注册是在数据提取后提交时，须加入回顾性注册披露段落。

标记： 任何未通过的项目都须记录在 Part C Action Items 中，并标注为 [REGISTRATION-TIMING]。 当协调一致需要通过外部方式提交修订时，fixable_by_ai: false；只有在修复方式是将其他位置已披露的日期插入 Methods 文本时，才设为 true。Part D JSON 包含一个 registration_timing 对象（registry、id、initial_registration_date、amendments[]、 timing_consistency、findings[]）。

注册 ID 格式门槛检查： PROSPERO ID 的格式为 CRD42 + 9 位数字，共 14 个字符 （^CRD42\d{9}$，例如 CRD42024500001）。运行 grep -oE 'CRD42[0-9]+' manuscript.md，并 断言每个匹配项均为 14 个字符；15 个字符的 ID（意外插入了一个数字）属于转录错误，须 标注为 [REGISTRATION-TIMING]（fixable_by_ai: false——请对照 PROSPERO 在线记录核实，不要猜测正确数字）。

Step 4d：PRISMA 图 1 算术与交叉引用审计

适用范围： 使用 PRISMA 2020 / PRISMA-DTA / PRISMA-P 的系统综述和荟萃分析。Item 16a（流程图）为 PRESENT 时触发——流程图虽然通过了 Step 4，但其中的数字可能计算不正确或与正文不一致。

1. 按以下顺序选择图 1 的来源：(a) analysis/figures/Figure1_PRISMA.md Markdown 清单；(b) manuscript.md 中的图注文本；(c) 如果存在 .pptx，则使用其中的文本运行；(d) 手动从 PNG/SVG 录入。

2. 运行审计。它会检查五项减法（筛查数 = 识别数 − 重复项； 寻求获取数 = 筛查数 − 筛查时排除数；已获取数 = 寻求获取数 − 未获取数； 评估资格数 = 寻求获取数 − 未获取数；纳入数 = 评估资格数 − 有理由排除数），并检查正文中的 PRISMA 数字是否与图 1 方框中的数字一一对应，然后写入 qc/prisma_figure_audit.json：

   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
   

   退出码 1 = 算术或交叉引用不匹配；退出码 2 = 输入缺失或无法解析。 如果图 1 的数字仅存在于 PNG/SVG 中，请手动转录，并按照 ${CLAUDE_SKILL_DIR}/references/step4d_prisma_figure_audit.md 中的说明手动执行相同的检查 （正则表达式集合、JSON 架构和边界情况：跨数据库重复项、引文检索分支、双评审员筛查）。

3. 手动检查（脚本不会执行此项）：方法部分中的排除原因必须与图注在数量和类别名称上保持一致；如果识别结果按来源（数据库、注册平台、其他方法）拆分，各来源的数量之和必须等于 identified 总数——脚本只读取第一个 identified 数值。

4. 如果存在 analysis/figures/_figure_manifest.md（来自 /make-figures），请确认 Type = prisma（或 Type = prisma-dta）的行指向与审计来源相同的文件，并且其 Critic 字段为 yes 或 partial（而非 no）。缺少行、路径不匹配或 Critic = no 会记录 [MANIFEST-XREF]（提示）；算术检查仍会运行。

标记： 任何不匹配或算术错误都会记录一条 Part C Action Item，标签为 [PRISMA-FIGURE]，fixable_by_ai: false（作者必须协调这些数字）。

PRISMA 级联算术自动验证

选用 PRISMA 2020 或 PRISMA-DTA，且存在逐轮筛查 TSV 文件时，请根据原始判定重新计算筛查级联。文字中的级联数量差一的错误是审稿人经常标记的问题（例如，151 + 108 + 39 + 1 + 1 + 4 = 304 之后，四行后正文摘要却写成了“305”）。

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

脚本会统计每轮的 INCLUDE / EXCLUDE / MAYBE 判定，计算级联，并报告稿件各阶段数量不一致之处。任何 manuscript_drift 条目都应视为 P0 阻断项——修正正文，使其与计算出的级联一致，然后重新运行。 --manuscript 路径若不是文件，则退出码为 2。读取稿件后，如果未找到脚本定义的任何阶段短语，manuscript_check 将为 "unverifiable"， submission_safe 为 false，并打印一行 UNVERIFIED；同时，--strict 以 1 退出：漂移检查未运行，因此请手动将正文中的阶段数量与 stage_counts 对比。 stages_compared 列出实际经过检查的阶段。

步骤 4e：报告框架命名审查

**适用于：**任何引用 AI/扩展报告框架的稿件 （PROBAST+AI、STARD-AI、TRIPOD+AI、TRIPOD-LLM、CONSORT-AI、SPIRIT-AI、PRISMA-DTA、QUADAS-C）。 基础报告工具及其扩展是不同的工具，各自有独立的引用；步骤 1 不会审查正文中如何命名该框架。常见问题包括：使用某项扩展，却从未提及或引用其所扩展的基础工具；在同一文档中对同一系列混用 +AI 和 -AI 连字符写法；自行创造“12-AI”之类的条目标签；以及用“近期指南”一语带过，而不点明框架名称。

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

判定结果：BASE_MISSING（使用了扩展，但从未单独提及基础工具）属于重大问题，应在 C 部分记录 [FRAMEWORK-NAMING]，并设置 fixable_by_ai: true（插入基础工具名称及其引用）。HYPHEN_MIX、CITE_MISSING、SELF_COINED_LABEL 和 VAGUE_GUIDANCE 均属于次要问题（fixable_by_ai: true）。D 部分的 JSON 包含一个 framework_naming 对象，与脚本的 claims[] 对应。

步骤 4f：关键条目底线交叉核查

适用于：每项设有底线条目的指南评估（仅加载并核查这些条目；不要为未列出的指南自行设定底线）。完成逐项表格后，阅读 ${CLAUDE_SKILL_DIR}/references/critical_item_floor.md，并核查适用于该研究类型的少量不可豁免条目；对于 AI/ML 和放射组学稿件，还要核查其中列出的方法学质量／偏倚风险评估工具（PROBAST+AI、METRICS/RQS、APPRAISE-AI）及相关问题。缺失的关键条目应标记为关键缺口，并成为报告的首要结论，不论总体百分比如何——缺少关键条目（未定义参考标准、未进行泄漏控制的数据划分、预测模型缺少校准、流程图未解决矛盾）时，即使总体百分比很高，也不能称为“总体可接受”。

步骤 5：生成报告

这份报告是内部工作审计——其中包含自动修复注释、机器可读的 JSON 块（compliance_pct、fixable_by_ai 等）和待办事项。它不是期刊要求的正式报告清单（正式清单是空白指南表单，格式为 Item | Recommendation | Reported in page/section，由作者填写）。**切勿将此报告作为投稿清单提交。**为确保文件能自行标明身份，且不会因文件名相同而被误用于后续投稿材料包，报告的第一行必须是以下横幅：

无论你与用户交流时使用何种语言，清单内容和报告都请用英文编写（与指南原文保持一致）。将其保存为 qc/reporting_checklist.md，并将 Part D JSON 保存为 qc/reporting_checklist.json。

编写报告时，请阅读 ${CLAUDE_SKILL_DIR}/references/report_templates.md，其中包含四个部分的原始模板：

• **Part A — Summary（摘要）。**包含标题（稿件文件、版本标记、指南、日期）、PRESENT/PARTIAL/MISSING/N-A 计数表和总体合规情况。标题重点应是关键项目（步骤 4f），而不是百分比：报告 {present}/{total}，并列出每个缺失关键项目及其所属章节。
• **Part B — Item-by-item checklist（逐项清单）。**每个项目一行：# | Section | Item | Status | Location | Notes。
• Part C — Action items（待办事项）（仅限 MISSING 和 PARTIAL），按以下顺序排列：期刊通常严格要求的项目（伦理审批、注册、样本量）→ Methods 中的项目（最容易修正）→ 其他所有项目。
• Part D — Machine-readable JSON（机器可读 JSON），以围栏代码块形式附在末尾。使用 --json 时或从 /write-paper Phase 7 调用时，必须包含此部分，以供其解析。

JSON 字段约定（其他技能依赖此部分，请确保填写正确）：

• compliance_pct — present / (total_items - na) * 100，保留一位小数；当所有项目均为 N/A 时（total_items == na）为 null。
• action_items — 仅包含 MISSING 和 PARTIAL；不包含 PRESENT 和 N/A。
• fixable_by_ai — 如果修复是使用稿件中已有或可从中推断的信息插入或扩充文本，则为 true；如果需要作者独有的外部事实（注册号、IRB 批准号、方案详情、样本量依据和目标值），则为 false。
• suggested_fix — 可直接插入的具体草稿文本。若修复仍含方括号占位符（[N]、[rationale]），则不能直接插入，且 fixable_by_ai: false。
• source_sha256 — 稿件字节内容的 SHA-256 哈希值的前 12 个十六进制字符，确保不会将过时报告误认为是针对新版稿件生成的。

在备注和建议修复中，仅引用经 /search-lit 确认的 DOI 或 PMID；其他引用一律标记为 [UNVERIFIED - NEEDS MANUAL CHECK]。切勿编造临床定义、诊断标准或指南建议；任何不确定内容都标记为 [VERIFY] 并询问用户。

当用户要求提供期刊所需的已填写清单时，请根据 ${CLAUDE_SKILL_DIR}/references/report_templates.md 中的 Submission checklist export 模板生成。

---

技能交互

何时	调用	用途
撰写稿件期间	/write-paper Phase 7	最终合规检查
需要添加 Methods 文本时	/write-paper Phase 3	起草缺失的 Methods 内容
需要统计详情时	/analyze-stats	生成缺失的统计报告内容
需要流程图时	/make-figures	生成 CONSORT/STARD/PRISMA 流程图

门槛

门槛	严重程度	触发条件	失败时的操作
必填项齐备	提交时强制执行	标记为已提供的指南必填项少于 100%	如果文本中存在缺失项，则自动修复；否则转至 /write-paper 第 7 阶段重新起草
第 4d 步 PRISMA 图 1 算术与交叉引用审查（仅限 PRISMA / PRISMA-DTA）	对 SR/MA 强制执行	流程图中的数字不相符（例如，筛选数 ≠ 纳入数 + 排除数），或文内计数与流程图不一致	停止；根据提取材料进行核对
可选项（例如，补充 AI 声明）	建议	可选项齐备率低于 80%	发出警告；由用户接受
跨报告指南路由（研究类型 → 指南）	强制执行	未声明研究类型或缺少指南	询问用户；不要默认选择