合格研究证据的获取是循证医学研究的重要步骤。目前的研究证据更新主要由人工完成，效率低下且人力花费巨大，无法满足循证医学的快速发展。机器学习和深度学习技术的发展为循证医学研究证据的自动更新提供了技术支撑，研究者通过尝试将机器学习和深度学习方法应用于循证医学研究中的各个环节，提高研究证据的更新效率。本研究对循证医学研究中研究证据的自动更新技术的发展进行整理，并从研究证据筛选、研究证据质量评价、证据系统的自动更新等角度分析证据自动更新方法的应用，以其了解该领域发展现状及趋势，为进一步推动循证医学研究中证据自动更新技术的研究提供依据。
背景
循证医学（Evidence-BasedMedicine，EBM）的定义为“临床实践需结合临床医生个人经验、患者意愿和来自系统化评价和合成的研究证据”。区别于传统医学，循证医学更强调医疗决策应建立在科学研究的结果之上，所以获取高质量的研究证据用于临床决策支持对循证医学研究至关重要。
随着科技的发展，医学知识的更新速度加快，生物医学文献以每年多万份的速度增长，研究人员需要花费越来越多的时间进行科学证据的查找、评价与更新，研究表明，1篇综述文章必须识别和分析潜在的数千篇文章。随着人工智能技术的发展，特别是自然语言处理、知识图谱、文本挖掘等技术在生物医学领域的成熟应用，越来越多的研究人员开始
转载请注明：http://www.0431gb208.com/sjszyzl/4065.html
