研修医時代、資料収集と整形、論文読解、表整理、統計の文章化に長い時間がかかりました。AIにはその作業を減らす可能性があります。講義と「Integrating AI into the Research Workflow」では、道具の数より研究者が先に定める問いを重視しました。
研究用の画像解析ツール
画像解析の測定項目を選択する研究用画面です。
ノ・ドゥヒョン · APKASS講義図
最初に、研究の問いを絞る
誰のどの問題を何と比べ、どの結果で判断するかを記します。AIの案も実際の資料で答えられるか研究者が確認します。先に結果を選んで問いを逆に合わせると解釈が揺らぐため、可能なら分析前に仮説、指標、対象、除外基準を定めます。
文献を探すことと、根拠を確認すること
AIは長文の検索と対象・方法・結果の表整理を助けます。ただし題名とDOIの実在、数値の本文・表の位置を確認し、抄録だけならそう明記します。複数モデルの一致で検証を終えず、実際の原文を基準にします。
設計と解析では、判断を記録する
対象選択、欠測、共変量、一人に両膝がある場合の相関を定めます。コードが動くことと適切な分析は別です。単位、方向、人数、重複、除外を確認し、別計算で主要結果を照合して方法変更による結論の変化も調べます。
図には、問いと分母を残す
良い図は比較、軸、単位、対象数、不確実性、群を示します。AI模式図は原図と区別し、実画像・実験を生成画像で代替しません。平均は分布、正確度は失敗を隠す場合があるため、このサイトも原図に出典と解説を添えます。
文章を整えても、結果の範囲は広げない
滑らかな文章には結果より大きな主張が紛れます。関連を因果、内部検証を他院の効果、研究モデルを検証済み治療に変えていないか確認します。設計に合う報告指針を用い、方法と限界を合わせて記し、速さより実際に答えた問いを正確に残します。
人の責任とデータの保護
ICMJEではAIを著者にせず、利用を開示し、正確性と出典の責任は人が担います。名前を消すだけで患者情報や非公開原稿が安全になるわけではありません。機関規則と適切なデータ処理条件の範囲で扱い、AIで節約した時間を根拠・分析の確認に回します。