ma-scout

MA Scout Skill

此技能负责 Meta 分析的前期阶段——从构思到生成按优先级排序的选题列表。 如需实际开展 MA（PROSPERO、筛选、分析），请转交给 /meta-analysis。

模式选择

信号	模式
提供教授姓名或个人资料 URL	A：教授优先
临床问题、关键词、趋势，或“帮我找个选题”	B：选题优先
两者都提供（例如“这个选题配这位教授”）	A（将选题作为筛选条件）

如果不明确，请询问用户是想按教授（导师优先）还是按选题（问题优先）进行搜索。

输入

模式 A：教授优先

• 教授姓名（母语和英语）；个人资料 URL（ScholarWorks、SKKU Faculty、Google Scholar、ORCID）；PubMed 作者链接（最好包含用于消歧的 cauthor_id）；已知专业领域；任职经历（例如，“医院 A → 医院 B → 退休”）
• 最低要求：姓名 + 至少一个个人资料 URL 或 PubMed 链接

模式 B：选题优先

• 临床问题或关键词；放射学亚专科范围；MA 类型偏好（DTA、预后、干预——可选）；期望角色（独立第一作者 / 共同第一作者 / 匹配导师）
• 最低要求：临床问题或关键词

工作流

模式 A（教授优先）： 阶段 0 → 1 → 2 → 3 → 4 → 5 模式 B（选题优先）： T-阶段 0 → T-1 → T-2 → T-3 → T-4 → T-5 阶段 2（MA 选题空白分析）和阶段 4（README 模板）为两种模式共用。

使用 /search-lit 的 E-utilities 脚本查询 PubMed，而不是使用 WebFetch——速度更快，并会返回结构化 JSON/XML：${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh 以及同目录下的 parse_pubmed.py。速率限制：每次调用间隔 350 ms（使用 NCBI_API_KEY 时为 100 ms）。

模式 A：教授优先工作流

阶段 0：消歧与背景确认

在进行任何 PubMed 搜索之前，先确认作者身份：

1. 先确认完整的英文姓名。 如果提供了 cauthor_id，获取对应的 PMID 页面，以确认完整姓名和所属机构。切勿一开始就使用仅含姓名首字母的搜索，因为常见的韩国／亚洲姓名首字母组合（例如“Lee KS”）会返回 300 多篇论文，产生大量无关结果。首次搜索必须使用 "[Full Name]"[Author]。
2. 向用户确认任职经历。 询问 {detected affiliation} 是否符合该教授的任职经历（教授可能会更换机构——不要想当然），并询问用户与该教授的关系，以便调整选题建议。仅当用户已明确提供任职经历时才跳过。
3. 个人资料 URL 备用查找顺序：
   • 第 1 顺位：PubMed 完整姓名搜索（始终可用）
   • 第 2 顺位：Google Scholar 个人资料（WebSearch "[Full Name]" radiology scholar）
   • 第 3 顺位：ResearchGate 个人资料（WebSearch "[Full Name]" researchgate radiology）
   • 第 4 顺位：ScholarWorks / SKKU / 大学教师页面（如果提供了 URL）
   • 最后：Scopus/ScienceDirect——会返回 403 或登录重定向；切勿依赖它们

阶段 1：学术画像探索（E-utilities API）

目标： 确定教授 5-6 个不同的研究支柱。

步骤 1 — 发表论文总数 + PMID 列表：

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

如果解析器以非零状态退出（返回错误正文，或没有 count），则总数未知——重新运行搜索；绝不要将其记录为 0 篇论文或 0 篇 MA。

步骤 2 — 获取用于基于 MeSH 聚类的元数据（并行）：

# 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

步骤 3 — 特定主题的计数（通过并行 Bash 调用启动 4-5 次搜索）：

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

步骤 4 — 提取 MeSH 术语以自动聚类研究支柱：

# 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}')
"

→ 排名靠前的 MeSH 术语揭示了自然形成的研究支柱（例如，“Colonography, Computed Tomographic” = CTC 支柱）。

步骤 5 — Google Scholar 个人主页（与 PubMed 调用并行）： WebSearch 搜索 "[Full Name]" radiology scholar google 以获取 h-index 和引用数据；对用户提供的任何其他个人主页 URL 使用 WebFetch （跳过 Scopus）。

输出：研究支柱摘要表。 论文数量和研究支柱归属来自 E-utilities 输出，h-index 来自 Scholar 个人主页——绝不估算。

研究支柱	领域	代表性关键词	MeSH 术语	估计论文数
1	...	...	...	~N+

阶段 2：MA 空白分析（多源）

目标： 对每个研究支柱，使用 PubMed + Consensus + Scholar Gateway + bioRxiv + PROSPERO 确定是否存在可行的 MA 主题。

并行处理研究支柱：最多使用 4 个子 Agent，每个负责 1-2 个研究支柱并执行 2a–2g，且各自报告原始 k 值、实际可行的 k 值以及检查过的每个来源。如果 PubMed 返回 0，或 Consensus/Scholar Gateway 不可用，应说明该限制，而不是猜测。

2a. PubMed E-utilities — 现有 MA + 原始研究

# 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 — 语义 MA 空白检测

使用 mcp__claude_ai_Consensus__search 查找 PubMed 关键词搜索可能遗漏的现有 SR/MA：

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

Consensus 返回按引用量排序的结果——检查是否已有被大量引用的 MA 涵盖了拟议范围。 限制： 每批阶段 2 中，所有 Agent 总共最多调用 Consensus 3 次（速率限制）。如果 触发速率限制，等待 30 s 后重试一次。

2c. Scholar Gateway — 语义相似性搜索

使用 mcp__claude_ai_Scholar_Gateway__semanticSearch 查找使用不同术语的 MA （例如，用 “pooled analysis” 代替 “meta-analysis”）、使用不同关键词但范围重叠的 MA，以及部分涵盖该主题的方法学综述。

2d. bioRxiv/medRxiv — 检测在审竞争

使用 mcp__claude_ai_bioRxiv__search_preprints 查找已作为预印本发布但尚未收录在 PubMed 中的 MA、作为预印本共享的 SR/MA 方案，以及可能改变可行性的最新原始研究。

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

2e. 评估矩阵

因素	标准
MA 空白	现有 MA = 0 篇，最佳；1-3 篇 = 检查范围重叠；>5 篇 = 已饱和
原始研究 k 值	DTA ≥8 篇，预后研究至少 ≥6 篇；理想值 ≥15 篇
时效性	最近一篇 MA 已超过 5 年 = 存在更新机会
竞争情况	检查最近两年是否有可能阻止新研究进入的最新 MA

2f. PROSPERO 竞争检查（必做）

• 通过 WebSearch 搜索 PROSPERO：site:crd.york.ac.uk/prospero [topic keywords]；也可尝试通过 WebFetch 访问 https://www.crd.york.ac.uk/prospero/#searchadvanced
• 查找可能阻止新研究进入的已注册但尚未发表的方案；如果找到 PROSPERO 匹配项 → 在排名中标记为 🚫 竞争风险
• 记录确切的查询内容、搜索日期以及以下状态之一：searched (match found)、searched (no match) 或 not checked (unavailable/failed)；如果获取到的是网站框架页面或错误页面而非结果列表，则标记为 not checked。只有 searched (no match) 才能通过 PROSPERO 检查。

2g. 估算现实可行的 k 值

• PubMed 原始命中数并不等于真实 k 值——大多数研究缺少 2×2 数据或 HR，因此原始计数会高估 3–7 倍
• 采用保守折扣：DTA 主题的现实可行 k 值 ≈ 原始计数 × 0.15–0.30
• 如果现实可行的 k 值 < 8（DTA）或 < 6（预后），则标记为 ⚠️ 可行性风险
• 同时报告原始估算值和现实估算值，例如：estimated k: ~130 (raw) → ~20–40 (extractable DTA data)

2h. 发现细分子主题（如果主要领域看起来已饱和，既往 MA >5 篇）

尝试以下角度，并使用 Consensus 检查该细分角度是否已有相关研究：

1. “首篇 MA”规则： 教授最独特、最细分且 MA = 0 的子主题
2. AI/影像组学叠加： 经典影像主题 + AI 方法
3. 治疗反应： 诊断领域的 MA 往往已饱和；治疗监测领域通常仍有研究空间
4. 成像方式比较： 直接比较（例如 CEUS 与 MRI）往往研究不足
5. 指南空白： 教授参与撰写的指南 → 支持或更新该指南的 MA
6. 特定人群： 特定亚群、疾病亚型或地区人群（例如寄生虫病、TB）
7. 时间更新： 最近的 MA 发布于 >5 年前，且此后已有重要的新原始研究

第 3 阶段：主题排名

目标： 根据综合得分对所有可行主题进行排名。按 5 项标准为每个候选主题评分（★1-5）：

标准	权重	描述
教授匹配度	最高	教授职业生涯的核心领域、发表论文数量、独特贡献
MA 空白	高	没有既往 MA > 距离上次 MA 已 ≥5 年 > 存在近期 MA
可行性（k）	高	可纳入研究的数量，以及提取 2×2 或 HR 数据的可行性
临床影响	中	该主题是否直接为临床决策提供依据
执行难度	中	是否仅凭文献即可完成；管理异质性的难度

输出：主题排名表

排名	主题	教授的主要领域	既往 MA	估算 k 值（原始→现实）	PROSPERO 竞争情况	结论
1	...	...	0	~98 → 15–30	无	✅ 最匹配

第 4 阶段：搭建文件夹和 README

目标： 为每个可行主题创建项目文件夹和 README。

1. 文件夹位置： {working_dir}/ma-scout/{initials}_{professor_name}/{NN}_{topic_slug}/
   • 教授文件夹：{initials}_{name}（例如，KDK_Kim、LKS_Lee）
   • NN：教授名下的顺序编号（01、02、...）；topic_slug：以英文书写、用下划线分隔
   • 创建前使用 ls 检查现有文件夹
2. README.md（可用于 PROSPERO）： 将模板块从 ${CLAUDE_SKILL_DIR}/references/project_readme_template.md 复制到 {topic_folder}/README.md，并填写内容（PICO/PIRD 框架、初步检索、目标期刊表格、倒排时间表）。研究问题、PICO/PIRD 和 README 内容均使用英文撰写，医学术语始终使用英文；除非用户要求提供该参考资料中指定的面向韩国 PI 的版本。

第 5 阶段：输出摘要

1. 将主题排名表和 README 文件保存到工作目录。
2. 总结：扫描的主题总数、找到的可行主题数量、建议的后续步骤（参见交接部分）。

模式 B：主题优先工作流

T-Phase 0：主题澄清与范围界定

目标： 将用户的临床问题细化为可检索且可在 PROSPERO 注册的范围。当 用户未提出具体想法、而是要求推荐主题时，先阅读 ${CLAUDE_SKILL_DIR}/references/topic_discovery_heuristics.md，以生成候选问题。

1. 解析输入 — 疾病/病症（例如“肝细胞癌”）；影像方式或干预（例如“双能 CT”“AI CAD”）；结局类型：DTA（Se/Sp）、预后（HR/OR）、干预（RR/MD）、剂量学；人群特征（例如“筛查场景”“肝硬化患者”）。
2. 拓展相邻方向 — 提出 3-5 个变体，例如：

   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. 用户选择 1-3 个方向以便进一步调查。

T-Phase 1：领域扫描（多来源）

目标： 针对每个选定方向，快速评估 MA 领域现状。并行处理所有方向。 针对每个方向：

1a. PubMed — 现有 MA 数量

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

1b. PubMed — 原始研究池

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 — 语义 MA 检索

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

检查是否有使用不同术语的 MA。

1d. bioRxiv/medRxiv — 预印本竞争情况

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

1e. PROSPERO — 已注册方案

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

输出：领域概况表

变体	现有 MA	原始 k 值	实际 k 值	PROSPERO	预印本 MA	结论
1	3	120	18-36	1	0	⚠️ 竞争激烈
2	0	85	13-25	0	0	✅ 最佳

T-Phase 2：可行性深入分析

目标： 对可行方向（MA ≤ 2，且无 PROSPERO 冲突），执行与模式 A 相同的 Phase 2（MA 差距分析） — 步骤 2a 至 2h。由于无需评估“教授契合度”，请重点关注：

• 差距确定性 — 现有 MA 是否确实与拟议范围不重叠？
• k 值质量 — 原始研究是否足够异质，值得进行 MA，还是过于一致？
• 用户领域契合度 — 是否符合用户在放射学 AI / 影像方面的专长？

T-Phase 3：主题排序（主题优先权重）

标准	权重	说明
MA 差距	最高	无现有 MA > 有更新机会 > 领域已饱和
可行性（k）	最高	k_realistic ≥ 8（DTA）或 ≥ 6（预后）
用户领域契合度	高	是否符合用户的专业领域？
临床影响	中	是否有望改变指南；是否与临床决策直接相关
合著者可用性	中	是否能联系到该领域专家（已有联系或容易联系）
执行难度	中	能否独立完成，还是需要专家解读

输出：主题排名表

排名	主题	现有 MA	预估 k 值	PROSPERO	是否需要合著者	总体评价
1	...	0	25	无	可选	✅ 最佳

T-Phase 4：合著者匹配（可选）

目标： 如果用户希望有一位资深合著者，则寻找候选人。

策略 1 — 现有人脉： 检查工作目录中的记忆文件和现有教授文件夹，寻找研究方向自然涵盖该主题的教授（最合适的人选）。

策略 2 — PubMed 反向检索：

# 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

然后通过 E-utilities efetch 统计作者出现频次；该细分领域发表论文最多的前 5 位作者可作为合著者候选人。通过 Google Scholar 核实其 h 指数和近期活跃度。

策略 3 — 自主开展（无资深合著者）： 用户已发表 2 篇或以上 MA，且主题在方法学上较为简单时，此方案可行。仍需一位第二审稿人（初级同事或同行）——请在 README 中注明。通讯作者 = 用户。

输出： 合著者推荐表或“可独立开展”的判断。

T 阶段 5：文件夹与 README 脚手架（主题优先）

1. 文件夹位置：{working_dir}/ma-scout/TOPIC/{NN}_{Topic_Abbreviation}/（例如， 01_AI_Lung_Nodule_DTA/）。主题优先项目使用 TOPIC/ 前缀，而不是教授姓名首字母；如果之后匹配到共同作者，文件夹可以移至教授文件夹下。
2. **README.md：**使用 ${CLAUDE_SKILL_DIR}/references/project_readme_template.md 中的第 4 阶段模板和独立模式调整（Lead/Domain 行、团队专长、自主时间线）。
3. **摘要：**与模式 A 第 5 阶段相同——保存排名结果并提出后续步骤建议。

质量门槛

在最终确定某个主题可行之前：

• (A) 已确认作者身份——通过 E-utilities efetch 确认全名，不存在仅凭姓名首字母导致的混淆
• (A) 已与用户确认所属机构（或通过可靠来源确认）
• (A) 教授的发表记录表明其在该领域具有明确的权威性
• (B) 临床问题已细化为 PICO/PIRD（而非仅有关键词）
• (A) 已确认 MA = 0 或最近一项 MA 发表时间超过 5 年（通过 PubMed E-utilities 确认，而非假设）
• 已交叉验证 PubMed 以及所有已连接的语义或预印本来源（Consensus、Scholar Gateway、bioRxiv/medRxiv）；对于无法访问的来源，须注明并记录为未检查，绝不能写成“未发现竞争性研究”——不存在使用不同术语的隐性 MA，也不存在正在进行中的预印本 MA
• 已确认 k_realistic ≥ 8（DTA）或 ≥ 6（预后），其中 k_realistic = 原始数量 × 0.15–0.30 （§2g：保留原始检索结果的 15–30%，即折减 70–85%——而非折减 15–30%）
• 已检索 PROSPERO——搜索已运行并返回结果（记录查询内容和日期，§2f），且未发现已注册的竞争性方案。PROSPERO 搜索失败或无法使用时，须标记为“未检查”，绝不能写成“未发现”：此项仍未完成
• 最近两年内没有发表中或预印本形式的竞争性 MA
• 研究问题足够具体，可在 PROSPERO 注册
• (B) 用户具备足够的领域专长以进行临床解读（或已确定共同作者）；已确定第二位审稿人或制定招募计划
• (B) 如果由用户独立开展：用户已发表 ≥ 2 项 MA（否则建议邀请共同作者）
• **README 包含：**完整的 PICO/PIRD、PubMed 检索策略、Embase 检索草案、含 IF 的目标期刊、时间线

交接

• 转交给 /meta-analysis：主题获批且已准备好撰写 PROSPERO 方案时（README 中已有 PICO 和检索策略）
• 转交给 /manage-project：项目文件夹需要完整的脚手架，或用户希望将结果保存到项目管理中时
• 转交给 /search-lit：提交之前需要进行更深入的初步检索时
• 转交给 /analyze-stats：可行性评估需要针对估算的 k 进行效能/样本量计算时

阶段 6：提案前流程（侦察后）

MA Scout 找到可行主题后，在联系教授前准备一份“可直接提案”的材料包。各主题相互独立：每轮最多运行 4 个 Agent，每个 Agent 均执行搜索 → 获取 → 初筛 → 写入文件。

1. 执行搜索 — 使用 E-utilities 和扩展后的同义词（retmax=200）
   • 主要搜索：[topic] AND [outcome keywords]
   • 现有 MA 搜索：[topic] AND ("meta-analysis"[pt] OR "systematic review"[pt])
2. 收集元数据 — fetch_json → esummary（每批 40-50 个 PMID）
3. 基于标题的初筛 — 分类为 INCLUDE / MAYBE / EXCLUDE
   • 检查结果中是否有现有 MA —— 初步侦察可能遗漏了这些研究
   • 分离会污染研究池的不同子方法（例如，支气管镜与经皮方法）
   • 标记教授本人发表的论文（权威性证据）和已撤稿论文
4. PRISMA 流程草案 — 识别 → 筛选 → 资格评估 → 纳入（估算）
5. 重新评估研究空白 — 更新 MA 数量，并在必要时重新定位： MA=0 →“首篇 MA” | MA=1（>5 年）→“更新 MA” | MA≥3（近期）→跳过／细分主题
6. 输出文件：
   • candidates.md — 完整的初筛表 + PRISMA 流程 + 研究空白结论
   • README.md — 更新“初步检索”部分，并填入实际数字

教授联系材料包 — 提案前材料包向教授提供：候选研究数量 + 研究空白证据（例如，“MA = 0，纳入 35 项研究”）、清晰的角色描述（例如，“仅负责独立筛选复核和讨论”），以及尽快进行 PROSPERO 预注册以锁定主题的紧迫性。