Médico Pesquisador IA — Mentor de Pesquisa Clínica
zwbao/ai-research-clinician-skill
IA que executa pesquisa clínica, você aprova em cada passo
Ver no GitHubSkill que treina clínicos a formular questões de pesquisa, avaliar evidências, orquestrar ferramentas de IA/código aberto e produzir planos de pesquisa conformes. Funciona como um motor auto-research human-in-the-loop onde a IA executa tarefas concretas (busca de evidências, design PICO, auditoria de viés) enquanto o médico mantém autoridade decisória em cada gate crítico.
Instalação
npx convez-ai zwbao/ai-research-clinician-skill1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.
Métricas
Casos de uso
- Transformar observações clínicas em questões de pesquisa estruturadas (PICO/PECO)
- Avaliar se papers, guidelines ou registros de ensaios valem a pena perseguir
- Auditar viés, variáveis e resultados em rascunhos de pesquisa antes de submissão
- Encontrar e validar ferramentas de IA/bioinformática para fluxos de análise
- Estruturar cronogramas de pesquisa (4 semanas, 12 semanas, 1 ano) com gates de decisão
Veredito

Skill especializado e bem documentado para o nicho específico de clínicos que querem fazer pesquisa real com suporte IA, mas mantendo controle decisório. Excelente estrutura de gates (6 módulos) e ênfase em rastreabilidade de evidências. Linguagem orientada ao contexto chinês, requer adaptação para Brasil, mas o design metodológico é robusto.
README
A tradução para o português deste README ainda está na fila.
研究型医生.skill
病房、门诊、查房、读文献时冒出来的问题,不该只停在“有点意思”。研究型医生.skill 是一个 human-in-the-loop 的 auto-research 引擎:AI 真正帮你把临床研究往前跑——从临床现象提问、检索证据、找工具、跑最小复现、起草方案、审计偏倚——你在每个关口(gate)拍板、纠偏、授权、署名。它替你做执行,绝不替你做决定。
它面向中国临床医学生、规培医生、住院医师和低年资医生。用法像一个会真正动手的 AI 科研副手:AI 把活干出来并摊开它的推理和不确定,你在关口上做判断——科研判断力,就在“审 AI 的产出”里长出来。
临床现象 →① 问题锁定 → AI 检索证据 →② 证据采信 → AI 找工具/跑复现 →③④ 方法/执行
→ AI 审计偏倚 →⑤ 结果边界 → 研究方案 →⑥ 定稿 → 回到临床
(每个 ① ~ ⑥ 都是一个 gate:AI 跑到这里,把推理和不确定摊给你,由你拍板)
可以安装到 Claude Code、Codex、Cursor、OpenCode 等 agent 环境;没有代码执行环境时,AI 仍驱动并起草,只是把“执行”降级为“给你可执行的计划”。
适合哪些场景
如果你遇到过下面这些情况,可以从这里开始:
- 导师问你“想做什么方向”,你只能说“肿瘤免疫”“影像 AI”“真实世界研究”。
- 你每天能看到病例差异、疗效差异或流程问题,但不知道哪些值得继续追。
- AI 能帮你总结论文,但你仍然说不清这篇文章对自己的项目有什么用。
- 你想做 AI / 生信 / Meta / RWD,但不知道该找什么工具、什么数据、什么人帮忙。
- 你有一个想法,但 PICO、假设、终点、样本量、偏倚、伦理和可行性还没想明白。
- 你有变量表 / 代码 / 结果 / 草稿,想知道它经不经得起审稿人和统计师的追问。
这里的核心不是“替你写论文”,而是让你用 AI 真正把研究做起来,同时在每个关口练出判断力。
它怎么和你协作
1. AI 先把活干出来,你不用从零憋
年轻医生最容易卡在“说不出具体现象 / 不知道第一步做什么”。这里反过来:AI 先据你的科室和现象主动产出候选研究问题、Evidence Note、PICO 草稿、工具评估表——填好的、带证据来源的真实成果,而不是一张让你填的空表。说不出现象?AI 会按疗效差异 / 不良反应 / 同病不同转归 / 流程卡点几个维度,主动给你几个候选让你对号入座。
2. 每个关口,决策权都在你手上
AI 跑完一步,会把三件事摊给你:我做了什么 · 依据是什么(附来源)· 哪里还不确定。然后把决策权交回给你——采不采信这篇证据、锁不锁这个设计、要不要授权对真实数据跑分析,由你拍板。你想快进?可以一次性授权 AI 一路跑到方案,但每个被跳过的关口它都会留下 [我替你定了 X·依据 Y·风险 Z] 的可追溯标记,方便你回看、翻盘。你是研究的决策权与署名责任人。
3. 把 AI 说法和证据严格分开
临床科研里,最危险的是把 AI 编出来的内容当成证据写进方案。这里有一条不可违反的底线:PMID、DOI、NCT/ChiCTR 试验号、统计量、置信区间、基因变异命名、工具/函数名、数据集版本、药物剂量——任何具体值都必须能指向一个可核查来源。指不到,就标“待核查”或去实时检索,绝不为了把流程推下去而凭记忆填。
你能得到什么
| 你现在的状态 | AI 会驱动产出(你在 gate 上审/改) |
|---|---|
| 有病例、有查房观察,但不知道能不能做课题 | 临床观察笔记、候选研究问题、缺失数据清单 |
| 手里有论文、ASCO 摘要、指南或试验注册 | 证据笔记(含 GRADE/MCID 判断)、研究设计拆解、是否 practice-changing |
| 只有一个模糊方向,比如“免疫治疗预测模型” | PICO/PECO、假设、最适设计、最小数据集、数据字典骨架、基于 DAG 的偏倚分析 |
| 想做 AI / 生信 / Meta / RWD,但不会技术栈 | 工具检索策略、repo 评估表(带打分口径)、最小复现计划、必须找专家的环节 |
| 已经有变量表、代码、结果或草稿 | 偏倚审计、结果解释边界、P0/P1/P2 修改清单、伦理材料骨架 |
| 想系统把研究做起来 | 4 周 / 12 周 / 1 年推进节奏 + 在 gate 上练判断的自检表 |
典型使用方式
我是临床专硕,想做科研但没有思路,最近在肿瘤科轮转。
帮我看看这篇 ASCO 摘要值不值得跟进。
我想做一个 AI 模型预测免疫治疗疗效,怎么开始?
我有 80 例随访数据,想看看能不能做真实世界研究,你一路跑到方案再给我看。
我有一个变量表和初步结果,帮我看哪里容易被审稿人质疑。
AI 会把这一步真正做出来,再在关口把“需要你拍板的点 + 下一步”摊给你。
六个能力模块
SKILL.md 是路由入口,真正的执行细节在 references/ 下按需加载。每次只进入最相关的模块,每个模块对应研究循环里的一个 gate。
| 场景 | 模块 | AI 产出 / gate 上你决定 |
|---|---|---|
| 从病例、查房、疗效差异或流程问题里找研究问题 | references/clinical-observation.md | 观察笔记 + 候选问题 + 缺失数据清单 / 选哪个问题 |
| 判断论文、会议摘要、指南或试验注册是否值得跟进 | references/evidence-reading.md | Evidence Note + 批判表 + practice-impact + 中国语境 / 采不采信 |
| 把模糊方向压成 PICO/PECO、假设、设计和可行性 | references/research-question.md | Research Question Brief(含 DAG/FINER/样本量 sanity)/ 锁定问题与设计 |
| 判断任务类型、找工具/repo、搭最小工作流 | references/ai-toolchain.md | 搜索计划 + repo 评估表 + 最小复现 / 选工具、授权执行 |
| 审计方案、变量表、代码、结果或草稿 | references/audit-and-safety.md | 偏倚审计 + 结果边界 + 修改清单 + 专家清单 / 能否进下一步 |
| 制定 4 周、12 周或 1 年推进节奏 | references/training-plan.md | 推进节奏 + 判断力自检表 / 节奏是否合适 |
安装
# 多平台安装,自动识别 Claude Code / Codex / Cursor / OpenCode 等环境
npx skills add zwbao/ai-research-clinician-skill
或直接在 Claude Code / Codex / Cursor / OpenCode 等环境中输入:
请帮我安装以下 skill:https://github.com/zwbao/ai-research-clinician-skill
安全边界
- 不提供患者个体化诊断或治疗决策;这属于主诊医生和 MDT 的职责。把“这个病人该怎么治”包装成研究问题,会被转成群体层面的可研究问题。
- 输入真实病例时,进入任何模块的第一步即提醒去标识化,避免姓名、证件号、手机号、住院号、住址、完整出生日期和可重识别时间线。
- 涉及真实患者数据时,提醒伦理审批、知情同意或豁免依据、数据授权、医院数据治理和研究注册。
- 不把 demo、模型输出或 AI 生成结论当成正式研究结果。
- GitHub repo 和工具必须检查 license、维护状态、示例数据、依赖安全和可复现性。
仓库结构
ai-research-clinician-skill/
├── skills/ai-research-clinician/
│ ├── SKILL.md # 路由、Iron Law、Gate 协议、证据底线
│ ├── agents/openai.yaml # 自包含 OpenAI/Codex 指令包
│ ├── references/*.md # 六个能力模块
│ ├── evals/evals.json # 验收场景 + 对抗 case
│ ├── README.md # skill 包内摘要
│ └── CHANGELOG.md
├── .claude-plugin/ .codex-plugin/ .cursor-plugin/
├── README.md # 默认中文 README
├── README.en.md # 英文 README
├── README.zh-CN.md # 中文兼容入口
├── CONTRIBUTING.md
├── DECISIONS.md # 核心形态 + 开放问题决议
├── PRD.md
└── LICENSE
贡献
贡献前请先阅读 CONTRIBUTING.md 和
skills/ai-research-clinician/SKILL.md。所有模块都必须保留:
- Use When
- Gate(人在环里拍板)
- 处理流程
- 输出模板
- 衔接
- 红旗 / Guardrails
PR 必须维护证据底线(不得引入编造文献、试验号、统计量、剂量、基因变异、工具链接的内容)与安全边界(去标识化、不替个体患者诊疗、human gate 不被跳过)。
许可证
MIT,见 LICENSE。