Evidensbaserad medicin: informationssökning

Sammanfattning

Informationssökning i evidensbaserad medicin innebär att omvandla ett kliniskt problem till en sökbar fråga, välja informationskälla efter frågans typ och tidsram, genomföra en reproducerbar sökning och bedöma om träffarna är relevanta, aktuella och metodologiskt tillförlitliga. Läkare genererar ungefär 0,18 till 1,5 frågor per patient, men andelen besvarade frågor varierar kraftigt. Tidsbrist, bristande sökfärdighet och osäkerhet om tillgängliga källor är viktiga hinder [1].

Vid patientnära sökning bör man börja högt i evidenshierarkin, exempelvis med aktuella riktlinjer, systematiska översikter eller kvalitetssäkrade kunskapsstöd. Om dessa inte besvarar frågan söks primärstudier i PubMed eller andra relevanta databaser. En strukturerad PIC-fråga, population och intervention eller exponering, är ofta en bättre utgångspunkt för själva sökningen än att kräva alla fyra PICO-komponenterna. Synonymer inom samma begrepp kombineras med OR, medan skilda begrepp kombineras med AND. Kombinera fritextord med ämnesord, exempelvis MeSH, och lägg inte till fler komponenter än vad som behövs.

Sökning för en systematisk översikt har ett annat mål än en klinisk snabbsökning. Vid patientnära sökning prioriteras precision och ett hanterbart antal relevanta träffar. Vid systematisk översikt prioriteras sensitivitet, dokumentation och reproducerbarhet. Då behövs flera databaser, kompletterande sökmetoder, dubbletthantering, dokumenterade söksträngar och vanligen medverkan av en medicinsk bibliotekarie eller informationsspecialist.

Generativ AI kan stödja formulering av frågor, framtagning av synonymer och sammanfattning, men får inte ersätta verifierbar databassökning och kritisk granskning. AI-genererade referenser, fakta och slutsatser måste kontrolleras mot originalkällan.

Varför informationssökning är en klinisk kärnkompetens

Evidensbaserad medicin förenar bästa tillgängliga forskning med klinisk expertis och patientens värderingar, preferenser och förutsättningar. Informationssökningen är länken mellan den kliniska osäkerheten och det vetenskapliga underlaget. Den omfattar mer än att skriva några ord i en sökmotor. Frågan måste avgränsas, rätt typ av källa väljas och sökresultatet värderas i relation till patienten och beslutssituationen.

En systematisk översikt av läkares informationsbeteende fann att behandling, diagnostik och epidemiologi var de vanligaste frågeområdena. Antalet frågor varierade från 0,18 till 1,5 per patient, 22,8 till 93 procent besvarades och söktiden varierade från 2 till 32 minuter. Vanliga källor var kollegor, tidskriftsartiklar, webbplatser, läroböcker och MEDLINE eller PubMed. De vanligaste hindren var tidsbrist, bristande sökfärdighet och otillräcklig kännedom om informationskällor [1].

Elektroniska kunskapsstöd kan påverka vården positivt, men resultaten beror på resursens kvalitet och hur den integreras i arbetsflödet. I en systematisk översikt med 25 jämförande studier var elektroniska kunskapsresurser associerade med förbättrade kliniska beteenden, standardiserad medelskillnad 0,47, och små förbättringar i patientrelaterade utfall, standardiserad medelskillnad 0,19. Heterogeniteten var stor och flera studier hade potentiella intressekonflikter [2]. Resultaten motiverar användning av patientnära kunskapsstöd, men inte okritisk tillit till ett enskilt kommersiellt system.

Två olika sökuppgifter

Det är avgörande att skilja mellan patientnära informationssökning och sökning för evidenssyntes.

Precision är andelen hämtade träffar som är relevanta. Sensitivitet, även kallad återfinning, är andelen av alla relevanta studier som sökningen faktiskt hittar. Hög sensitivitet kräver nästan alltid att fler irrelevanta träffar granskas. För klinisk användning kan det vara rationellt att acceptera lägre sensitivitet om en aktuell och tillförlitlig källa ger ett användbart svar. För en systematisk översikt kan samma avgränsning ge selektionsbias.

Från kliniskt problem till sökbar fråga

Avgör först vilken sorts fråga som ska besvaras

Frågetypen styr lämplig studiedesign, val av filter och vilka källor som är mest användbara.

Frågan bör formuleras så att svaret kan förändra ett beslut. Frågan "Vad finns om hjärtsvikt?" är för bred. Frågan "Hos patienter med hjärtsvikt med bevarad ejektionsfraktion, minskar SGLT2-hämmare sjukhusinläggning jämfört med placebo?" anger population, intervention, jämförelse och utfall.

PICO och närliggande modeller

PICO består av:

• P, population, patient eller problem
• I, intervention eller exponering
• C, jämförelse
• O, utfall

PICO förbättrar tydligheten, men alla komponenter behöver inte ingå som sökblock. I en liten randomiserad pilotstudie fick sökare som använde PICO-baserade gränssnitt numeriskt högre precision än användare av PubMeds vanliga gränssnitt, men skillnaderna var inte statistiskt säkerställda. Studien visade också vanliga fel, exempelvis felaktig MeSH-mappning, olämpligt val av publikationstyp och alltför snäv begränsning till titelord [3].

Utfallstermer bör ofta utelämnas i den första sökningen. Utfall rapporteras inte alltid i titel eller sammanfattning, och ett krav på utfallsterm kan därför utesluta relevanta studier. Detsamma gäller jämförelseledet. För många behandlingsfrågor räcker population och intervention, ibland kompletterade med en studiedesign eller ett validerat filter.

Alternativa frågemodeller kan vara bättre än PICO:

• PEO, population, exponering och utfall, vid etiologiska frågor.
• PIRD, population, indextest, referenstest och målgruppens diagnos, vid diagnostisk noggrannhet.
• SPIDER, urval, fenomen, design, utvärdering och forskningstyp, vid kvalitativ forskning.
• PCC, population, koncept och kontext, vid breda kartläggande översikter.

Modellen är ett stöd för tänkandet, inte ett krav på att varje ruta ska bli ett separat sökblock.

Välj informationskälla efter behov

Börja med den mest sammanställda användbara evidensen

Vid patientnära frågor är en effektiv ordning:

1. Aktuella nationella eller internationella riktlinjer.
2. Lokala kunskapsstöd och läkemedelsrekommendationer.
3. Systematiska översikter och metaanalyser.
4. Synoptiska, redaktionellt kvalitetssäkrade kunskapsresurser.
5. Enskilda primärstudier.
6. Expertbedömning när relevant forskning saknas eller inte är tillämplig.

Att börja med primärstudier är ineffektivt om en aktuell och välgjord systematisk översikt redan besvarar frågan. Omvänt kan en fem år gammal översikt vara otillräcklig inom ett snabbt föränderligt område. Kontrollera översiktens senaste sökdatum, inte bara publiceringsåret.

Databasernas huvudsakliga roller

Vid svensk klinisk handläggning måste internationell litteratur kompletteras med aktuella svenska källor, exempelvis nationella riktlinjer, behandlingsrekommendationer, vårdprogram, produktresuméer och regionala kunskapsstöd. Svenska läkemedelsbegränsningar, tillgängliga preparat och vårdorganisation kan avvika från de internationella studiernas förutsättningar.

Praktisk sökning i PubMed

Bygg sökningen begreppsvis

En robust grundmodell är:

1. Identifiera två eller tre centrala begrepp.
2. Lista synonymer, stavningsvarianter, akronymer och äldre termer.
3. Lägg till relevanta MeSH-termer.
4. Kombinera synonymer inom ett begrepp med OR.
5. Kombinera begreppsblock med AND.
6. Kontrollera de första träffarna.
7. Bredda eller begränsa iterativt.

(populationsterm OR synonym OR "MeSH-term")
AND
(interventionsterm OR synonym OR "MeSH-term")

Exempel på en behandlingsfråga:

("Heart Failure, Diastolic"[Mesh] OR HFpEF OR "heart failure with preserved ejection fraction")
AND
("Sodium-Glucose Transporter 2 Inhibitors"[Mesh] OR SGLT2 inhibitor* OR dapagliflozin OR empagliflozin)

Kontrollera PubMeds Advanced Search och Search Details för att se hur söktermerna tolkats. Automatisk termmappning är praktisk men kan koppla en förkortning eller vardaglig term till ett oväntat begrepp.

Fritext och MeSH kompletterar varandra

MeSH ger en standardiserad beskrivning av innehållet och samlar artiklar som använder olika terminologi. Fritext behövs eftersom:

• nya artiklar ännu inte har MeSH-indexerats
• nya läkemedel och tekniker kan sakna etablerad MeSH-term
• relevanta ord kan finnas i titel eller sammanfattning utan motsvarande indexering
• indexeringen kan vara ofullständig eller för bred

I en studie av sex kliniska frågor hittades fler relevanta artiklar när fritext och ämnesord kombinerades än när något av dem användes ensamt. Två PICO-komponenter gav fler systematiska översikter än fyra komponenter, och resultaten överlappade dåligt mellan olika databaser [4].

Booleska operatorer

• OR breddar genom att godta minst en synonym.
• AND begränsar genom att kräva båda begreppen.
• NOT bör användas restriktivt eftersom relevanta artiklar kan innehålla det uteslutna ordet i ett annat sammanhang.
• Parenteser anger vilka ord som hör ihop.
• Citattecken kan användas för fraser, men kan minska återfinningen om databasen annars hade gjort automatisk termmappning.
• Fälttaggar, exempelvis [tiab], styr sökning till titel och sammanfattning. De ger kontroll men kan göra sökningen för snäv.
• Trunkering med asterisk kan fånga flera ordändelser, men måste användas med hänsyn till databasens syntax.

Filter och Clinical Queries

Filter kan minska arbetsbördan men också utesluta relevanta artiklar. Använd dem utifrån frågetyp och sökningens mål, inte rutinmässigt.

I en studie av 15 PubMed-strategier för 30 behandlingsfrågor gav smala Clinical Queries-filter bättre koncentration av relevanta randomiserade studier bland de första 40 träffarna. Median sensitivitet var omkring 50 procent och precision 20 till 30 procent. Ofiltrerade sökningar och breda filter gav större träffmängder men endast 10 till 25 procents sensitivitet inom de första 40 träffarna [5]. Detta stödjer ett smalt filter vid klinisk snabbsökning, men inte som enda strategi i en systematisk översikt.

Metodfilter är särskilt problematiska vid diagnostiska studier. En Cochrane-översikt av 70 filter för diagnostisk noggrannhet fann att inget samtidigt uppnådde sensitivitet över 90 procent och precision över 10 procent. För en systematisk diagnostisk översikt bör sökningen därför huvudsakligen kombinera termer för målconditionen och indextestet, utan att förlita sig på ett metodfilter [6].

Även filter för systematiska översikter har begränsningar. PubMeds publikationstyp för systematisk översikt har hög precision men låg sensitivitet, bland annat på grund av indexeringsfördröjning och bristande täckning bakåt i tiden. En känslig Clinical Queries-strategi ger högre sensitivitet men många fler irrelevanta träffar. För en uttömmande sökning bör metoderna kombineras [7].

Söka efter biverkningar

Biverkningar är ofta dåligt rapporterade i titlar och sammanfattningar, och generiska studiedesignfilter fungerar sämre. En metodstudie fann att sensitiviteter omkring 97 till 99 procent kunde uppnås genom kombinationer av specifika biverkningstermer, fritext och indexeringstermer, men precisionen var endast 2,8 procent [8]. Praktiskt bör man kombinera:

• läkemedlets substansnamn och produktnamn
• den specifika misstänkta biverkningen
• generella termer som adverse effect, toxicity och safety
• relevanta farmakovigilans- eller observationsdatabaser
• register, produktresuméer och myndighetsinformation

En sökning som endast letar efter randomiserade studier är otillräcklig för sällsynta, sena eller oväntade skador.

Anpassa sökningen efter träffbilden

Om sökningen ger för få träffar:

• kontrollera stavning och automatisk termmappning
• ta bort utfall eller jämförelse
• lägg till synonymer och äldre termer
• kombinera MeSH och fritext
• ta bort språk- eller åldersfilter
• sök på ett känt relevant artikelnummer och använd liknande artiklar
• sök i ytterligare databas

Om sökningen ger för många irrelevanta träffar:

• ersätt ett allmänt begrepp med en mer specifik term
• lägg till ett tydligt populations- eller interventionsbegrepp
• använd [tiab] för särskilt ospecifika ord
• använd relevant frågetypsfilter
• begränsa tidsperioden om äldre forskning saknar betydelse
• börja med systematiska översikter eller riktlinjer

Testa sökningen mot två eller tre artiklar som bör återfinnas. Om en känd relevant artikel saknas, undersök vilka ord och MeSH-termer artikeln använder.

flowchart TD
A["Formulera det kliniska<br>beslutet"] --> B["Bestäm frågetyp<br>och lämplig studiedesign"]
B --> C["Sök först efter aktuell<br>riktlinje eller översikt"]
C -->|"Tillräckligt svar"| D["Granska aktualitet,<br>validitet och tillämplighet"]
C -->|"Otillräckligt svar"| E["Bygg PIC-sökning med<br>fritext och MeSH"]
E --> F["Granska de första<br>relevanta träffarna"]
F -->|"För få träffar"| G["Ta bort sökblock och<br>lägg till synonymer"]
F -->|"För många träffar"| H["Lägg till specifikt begrepp<br>eller validerat filter"]
G --> F
H --> F
F -->|"Användbart underlag"| D
D --> I["Tillämpa med klinisk expertis<br>och patientens preferenser"]
I --> J["Dokumentera sökning,<br>datum och beslut"]

Värdera sökresultatet

Informationssökning slutar inte när en relevant titel hittats. Den första bedömningen bör omfatta fyra frågor:

1. Är artikeln relevant för den aktuella frågan?
2. Är studiedesignen lämplig?
3. Är studien tillräckligt metodologiskt tillförlitlig?
4. Är resultaten tillämpliga på patienten och vårdkontexten?

Relevans före detaljgranskning

Kontrollera population, intervention eller exponering, jämförelse, utfall, vårdnivå och uppföljningstid. En stor välgjord studie kan vara kliniskt irrelevant om populationen skiljer sig väsentligt från patienten, exempelvis genom ålder, samsjuklighet, sjukdomsgrad eller samtidig behandling.

Läs inte enbart sammanfattningens slutsats. Gå vidare till metod, resultat, tabeller, bortfall, effektstorlek och konfidensintervall. Kontrollera finansiering och författarnas intressekonflikter.

Systematisk översikt är inte automatiskt högkvalitativ

En systematisk översikt kan vara missvisande genom bristfällig sökning, selektiv inklusion, olämplig metaanalys eller otillräcklig bedömning av risk för bias. AMSTAR 2 är ett granskningsverktyg för översikter av randomiserade och icke-randomiserade interventionsstudier [9]. Kritiska frågor är bland annat:

• fanns ett protokoll före genomförandet?
• var inklusionskriterierna tydliga?
• var sökningen tillräckligt bred?
• granskades studieurval och dataextraktion av fler än en person?
• bedömdes risk för bias i primärstudierna?
• hanterades heterogenitet rimligt?
• påverkade primärstudiernas bias slutsatsen?
• bedömdes publikationsbias när detta var möjligt?
• är översikten aktuell?

Om två översikter ger olika slutsatser bör man jämföra sökdatum, inklusionskriterier, utfall, risk för bias och statistisk modell. Den senast publicerade översikten är inte nödvändigtvis bäst.

Systematisk sökning för översikt, riktlinje eller vårdprogram

Förbered ett protokoll

Definiera före sökningen:

• forskningsfråga och frågemodell
• inklusions- och exklusionskriterier
• informationskällor
• planerade sökdatum och tidsgränser
• språkbegränsningar
• godtagbara studiedesigner
• kompletterande sökmetoder
• screeningprocess
• hur avvikelser från protokollet ska dokumenteras

Sökstrategin bör utvecklas iterativt men inte ändras godtyckligt efter att författarna sett om resultaten stödjer en viss slutsats.

Välj flera kompletterande databaser

Ingen databas täcker all relevant litteratur. I en prospektiv studie av 58 systematiska översikter fanns 16 procent av de inkluderade referenserna endast i en enskild databas. Kombinationen Embase, MEDLINE, Web of Science och Google Scholar uppnådde 98,3 procents samlad återfinning och full återfinning i 72 procent av översikterna. Resultaten är beroende av ämne, sökkompetens och databastillgång och bör därför inte tolkas som en universell fyrdatabasregel [10].

För interventionsöversikter är MEDLINE, Embase och CENTRAL vanliga kärnkällor. Lägg till ämnesspecifika databaser när frågan motiverar det. PsycINFO kan vara viktig för psykologi och psykiatri, CINAHL för omvårdnad och närliggande professioner och regionala databaser för litteratur från områden som är underrepresenterade i de stora internationella databaserna.

Utveckla en känslig strategi

En praktisk metod är att bygga ett separat block för varje huvudbegrepp, kombinera ämnesord och fritext och sedan optimera strategin genom att granska relevanta träffar som hittas av ämnesord men inte av fritext, och tvärtom. Denna metod kan identifiera saknade synonymer och indexeringstermer [11].

För randomiserade studier har mycket känsliga filter utvecklats, men hög sensitivitet innebär låg precision. Studier av Cochranes mycket känsliga strategi visar att bredare faser hittar fler relevanta studier till priset av betydligt större screeningarbete [12,13]. Valet ska baseras på konsekvenserna av att missa studier, tillgängliga resurser och vilka kompletterande databaser som används.

Kollegial granskning av sökstrategin

PRESS anger sex centrala granskningsområden:

1. översättning av forskningsfrågan
2. booleska operatorer och närhetsoperatorer
3. ämnesord
4. fritextord
5. stavning, syntax och radnummer
6. begränsningar och filter

Granskningen bör göras när huvudstrategin, ofta MEDLINE, är färdig men innan den översätts till övriga databaser [14]. En medicinsk bibliotekarie kan upptäcka begreppsliga luckor, syntaxfel och olämpliga begränsningar som ämnesexperter lätt förbiser.

Kompletterande sökmetoder

Databassökning bör efter behov kompletteras med:

• granskning av referenslistor i inkluderade studier och relevanta översikter
• framåtriktad citeringssökning
• register över kliniska studier
• regulatoriska dokument
• avhandlingar och konferensabstract
• relevanta organisationers webbplatser
• kontakt med författare, experter eller tillverkare
• liknande artiklar i bibliografiska databaser

En metodöversikt fann att screening av en enda granskare i genomsnitt missade fler relevanta studier än dubbelgranskning. I det begränsade underlaget kunde kontroll av referenslistor återfinna samtliga felaktigt exkluderade studier i en fallstudie. Evidensen för vilken kompletterande metod som är bäst är dock mycket osäker [15].

Screening och dubbletter

Importera resultaten till ett referenshanterings- eller granskningssystem och avlägsna dubbletter utan att förlora unika poster. Pilotpröva inklusionskriterierna på ett gemensamt urval. Vid fullständig systematisk översikt bör titel, sammanfattning och fulltext normalt bedömas oberoende av två granskare. Dokumentera skälet till exklusion på fulltextnivå.

Oinformativa titlar och sammanfattningar ökar risken för felaktig exklusion. Om sammanfattningen inte ger tillräcklig information bör artikeln hellre föras vidare till fulltextgranskning än uteslutas.

Dokumentation och reproducerbarhet

PRISMA-S omfattar 16 rapporteringspunkter för sökningar i systematiska översikter. Bland annat ska databas och plattform, fullständiga sökstrategier, sökdatum, begränsningar, register, webbplatser, citeringssökning och kompletterande metoder anges [16].

Minimikrav på dokumentation är:

• databasens och plattformens namn
• exakt söksträng såsom den kördes
• sökdatum
• databasens täckningsperiod om relevant
• samtliga filter och begränsningar
• antal träffar före dubblettrensning
• metoden för dubblettrensning
• alla kompletterande sökmetoder
• vem som utvecklade och granskade sökningen
• datum och strategi för eventuell uppdateringssökning

Rapporteringen är ofta otillräcklig. I ett slumpmässigt urval av 100 systematiska översikter innehöll endast 4,9 procent av 453 databassökningar samtliga sex centrala PRISMA-S-uppgifter, och bara en översikt var fullständigt reproducerbar [17].

Medverkan av medicinsk bibliotekarie är associerad med bättre rapportering, fler sökta databaser, större reproducerbarhet och bättre användning av ämnesord, fritext och boolesk syntax. I en studie av 505 öron-, näs- och halsmedicinska översikter var bibliotekariemedverkan tydligt associerad med högre sökkvalitet, även om observationsdesignen inte visar kausalitet [18].

Kvalitetskontroll och vanliga fel

Uppdatering och bevakning

Sökningen är tidsbunden. Om svaret ska ligga till grund för riktlinjer, vårdprogram eller återkommande beslut bör en uppdateringsplan finnas.

• Spara sökstrategin i databasens användarkonto.
• Skapa e-postavisering eller RSS-flöde för nya träffar.
• Ange senaste sökdatum i dokumentet.
• Definiera när en ny studie kan ändra rekommendationen.
• Genomför en ny sökning strax före publicering.
• Upprepa sökningen tidigare inom snabbt föränderliga områden.

En uppdatering är inte bara att ändra slutdatum. Kontrollera om terminologi, MeSH-termer, läkemedelsnamn, diagnostiska kriterier eller databassyntax har förändrats.

Generativ AI och semantisk sökning

Generativ AI kan användas som stöd för att:

• omformulera en klinisk fråga
• föreslå synonymer, stavningsvarianter och akronymer
• skapa ett första utkast till boolesk sökstrategi
• översätta söklogik mellan databaser
• gruppera träffar efter tema
• sammanfatta uppladdade artiklar
• kontrollera om centrala frågekomponenter saknas

Begränsningarna är betydande. Modellen kan sakna den senaste forskningen, förväxla populationer, tillskriva studier fel resultat och skapa referenser som inte existerar. I en systematisk översikt och metaanalys var den sammanvägda korrektheten för ChatGPT:s svar på medicinska frågor 56 procent, med stor heterogenitet mellan studierna [19]. Resultatet kan inte direkt överföras till alla nuvarande modeller, men visar att ett välformulerat och övertygande svar inte är liktydigt med ett korrekt svar.

Informationshämtning som kopplar språkmodellen till externa källor, ofta kallad retrieval-augmented generation, kan förbättra prestandan. En metaanalys fann en oddskvot på 1,35 för förbättrad prestation jämfört med språkmodeller utan extern informationshämtning. Resultaten hade låg till måttlig heterogenitet men tecken på småstudieeffekter och möjlig publikationsbias [20]. Även sådana system kan hämta fel dokument, misstolka tabeller eller generera slutsatser som inte stöds av källan.

För kliniskt bruk gäller därför:

1. Be AI-systemet ange verifierbara källor.
2. Sök upp varje central källa i PubMed, tidskriftens webbplats eller annan originaldatabas.
3. Kontrollera titel, författare, år, DOI eller PMID.
4. Läs originaltexten för påståenden som påverkar beslutet.
5. Kontrollera att studiens population och utfall motsvarar frågan.
6. Dokumentera modell, datum, indata och hur svaret verifierades om AI används i en formell evidensprocess.
7. Mata inte in identifierbara patientuppgifter i ett system som saknar godkänd hantering av känsliga data.

AI bör betraktas som ett hjälpmedel för frågeformulering och arbetsflöde, inte som en självständig evidenskälla.

Praktisk checklista

För en patientnära fråga

• Formulera vilket beslut som ska fattas.
• Bestäm frågetyp.
• Sök först i aktuellt kunskapsstöd, riktlinje eller systematisk översikt.
• Kontrollera sökdatum och metod.
• Bygg vid behov en PIC-sökning i PubMed.
• Kombinera fritext med MeSH.
• Använd smalt filter endast när det passar frågetypen.
• Granska fler än den första träffen.
• Läs fulltexten i den källa som bär beslutet.
• Bedöm effektstorlek, osäkerhet, risk för bias och tillämplighet.
• Integrera resultatet med patientens preferenser och svensk praxis.
• Dokumentera källa, sökdatum och slutsats.

För en systematisk översikt eller riktlinje

• Upprätta protokoll.
• Involvera medicinsk bibliotekarie eller informationsspecialist.
• Välj flera kompletterande databaser.
• Kombinera ämnesord och fritext.
• Testa mot kända relevanta studier.
• Låt en andra person granska sökstrategin med PRESS.
• Sök register och andra källor när frågan motiverar det.
• Genomför referens- och citeringssökning.
• Spara alla söksträngar exakt som de kördes.
• Dokumentera träffantal och dubbletthantering.
• Använd oberoende dubbelgranskning när full systematik krävs.
• Rapportera enligt PRISMA-S.
• Uppdatera sökningen före publicering.

Källor

1. Daei A m.fl. Clinical information seeking behavior of physicians: A systematic review. International Journal of Medical Informatics 2020. PMID: 32334400
2. Maggio LA m.fl. Impact of Clinicians' Use of Electronic Knowledge Resources on Clinical and Learning Outcomes: Systematic Review and Meta-Analysis. Journal of Medical Internet Research 2019. PMID: 31359865
3. Schardt C m.fl. Utilization of the PICO framework to improve searching PubMed for clinical questions. BMC Medical Informatics and Decision Making 2007. PMID: 17573961
4. Ho GJ m.fl. Development of a Search Strategy for an Evidence Based Retrieval Service. PLoS One 2016. PMID: 27935993
5. Agoritsas T m.fl. Sensitivity and Predictive Value of 15 PubMed Search Strategies to Answer Clinical Questions Rated Against Full Systematic Reviews. Journal of Medical Internet Research 2012. PMID: 22693047
6. Beynon R m.fl. Search strategies to identify diagnostic accuracy studies in MEDLINE and EMBASE. Cochrane Database of Systematic Reviews 2013. PMID: 24022476
7. Navarro-Ruan T, Haynes RB. Preliminary comparison of the performance of the National Library of Medicine's systematic review publication type and the sensitive clinical queries filter for systematic reviews in PubMed. Journal of the Medical Library Association 2022. PMID: 35210961
8. Golder S m.fl. Developing efficient search strategies to identify reports of adverse effects in MEDLINE and EMBASE. Health Information and Libraries Journal 2006. PMID: 16466494
9. Shea BJ m.fl. AMSTAR 2: a critical appraisal tool for systematic reviews that include randomised or non-randomised studies of healthcare interventions, or both. BMJ 2017. PMID: 28935701
10. Bramer WM m.fl. Optimal database combinations for literature searches in systematic reviews: a prospective exploratory study. Systematic Reviews 2017. PMID: 29208034
11. Bramer WM m.fl. A systematic approach to searching: an efficient and complete method to develop literature searches. Journal of the Medical Library Association 2018. PMID: 30271302
12. Eisinga A m.fl. The sensitivity and precision of search terms in Phases I, II and III of the Cochrane Highly Sensitive Search Strategy for identifying reports of randomized trials in MEDLINE in a specific area of health care. Health Information and Libraries Journal 2007. PMID: 17584213
13. Zhang L m.fl. Optimizing search strategies to identify randomized controlled trials in MEDLINE. BMC Medical Research Methodology 2006. PMID: 16684359
14. McGowan J m.fl. PRESS Peer Review of Electronic Search Strategies: 2015 Guideline Statement. Journal of Clinical Epidemiology 2016. PMID: 27005575
15. Affengruber L m.fl. Characteristics and recovery methods of studies falsely excluded during literature screening: a systematic review. Systematic Reviews 2022. PMID: 36352397
16. Rethlefsen ML m.fl. PRISMA-S: an extension to the PRISMA Statement for Reporting Literature Searches in Systematic Reviews. Systematic Reviews 2021. PMID: 33499930
17. Rethlefsen ML m.fl. Systematic review search strategies are poorly reported and not reproducible: a cross-sectional metaresearch study. Journal of Clinical Epidemiology 2024. PMID: 38052277
18. Whitney R m.fl. Effect of librarian collaboration on otolaryngology systematic review and meta-analysis quality. Journal of the Medical Library Association 2024. PMID: 39308914
19. Wei Q m.fl. Evaluation of ChatGPT-generated medical responses: A systematic review and meta-analysis. Journal of Biomedical Informatics 2024. PMID: 38462064
20. Liu S m.fl. Improving large language model applications in biomedicine with retrieval-augmented generation: a systematic review, meta-analysis, and clinical development guidelines. Journal of the American Medical Informatics Association 2025. PMID: 39812777