PapersFlow para la investigación en ciencias de la salud y medicina
Realiza revisiones de literatura médica con clasificación ICD-11, flujos de trabajo de revisión sistemática, búsqueda de ensayos clínicos a través de ClinicalTrials.gov y análisis estadístico en el entorno Python, impulsado por Semantic Scholar y OpenAlex.
Busca literatura clínica a través de Semantic Scholar y OpenAlex, clasifica con ICD-11, ejecuta flujos de trabajo de revisión sistemática, consulta ClinicalTrials.gov y analiza datos en Python: diseñado específicamente para investigadores médicos.
Los investigadores médicos deben sintetizar evidencia de ensayos clínicos, estudios observacionales y metaanálisis, cada uno con diseños, criterios de valoración y estándares de reporte diferentes. Una sola pregunta clínica puede requerir buscar en PubMed, revisar cientos de resúmenes, extraer datos de resultados, ejecutar estadísticas de metaanálisis y dar formato a los resultados para una revista específica. El sistema de clasificación ICD-11 añade otra capa de complejidad. Las herramientas existentes cubren pasos individuales, pero ninguna integra el flujo de trabajo completo de evidencia clínica.
Lo que puedes hacer
- Clasificación ICD-11 (8 herramientas)
- Flujo de trabajo de revisión sistemática
- Estadística clínica y metaanálisis
- Generación de forest plots
Herramientas
Comparar
Frequently Asked Questions
- ¿Puede PapersFlow reemplazar a Covidence o Rayyan para revisiones sistemáticas?
- PapersFlow proporciona flujos de trabajo automatizados de revisión sistemática con búsqueda en múltiples bases de datos, eliminación de duplicados y síntesis asistida por IA. Para un cribado formal con doble revisor conforme a PRISMA y registros de resolución de conflictos, quizá quieras complementar PapersFlow con Covidence o Rayyan.
- ¿Cómo funciona la clasificación ICD-11?
- PapersFlow proporciona 8 herramientas de ICD-11 para buscar códigos, mapear entre sistemas de codificación y clasificar afecciones mencionadas en artículos. Esto ayuda a estandarizar cómo categorizas las poblaciones de estudio y los resultados entre estudios heterogéneos.
- ¿Puedo generar forest plots directamente?
- Sí. Puedes generar forest plots en el entorno Python usando matplotlib. Introduce tamaños del efecto e intervalos de confianza manualmente o deja que la IA los extraiga de los artículos, y luego produce gráficos con calidad de publicación con estadísticas de heterogeneidad (I-squared, prueba Q).
- ¿Busca en ClinicalTrials.gov ensayos en curso?
- Sí. PapersFlow consulta ClinicalTrials.gov junto con la literatura académica. Esto te ayuda a identificar ensayos registrados pero no publicados, encontrar estudios con resultados publicados en el registro y evaluar la integridad de la base de evidencia publicada para tu pregunta clínica.