-
Notifications
You must be signed in to change notification settings - Fork 40
Home
Hsiehting Lin edited this page Jul 3, 2026
·
1 revision
AI 輔助、端到端的統合分析（meta-analysis）流程管線 — 由 Claude Code 驅動，從研究問題一路產出可投稿的稿件。
歡迎來到 meta-pipe 的維基。本 Wiki 提供貢獻者與維護者所需的高階說明文件；逐步操作指令請見各模組的 SKILL.md。
| 頁面 | 內容 |
|---|---|
| 專案簡介（本頁） | 這是什麼、解決什麼問題、整體架構 |
| 維護指南 | 環境設定、測試、發版、常見維運任務 |
| 發展藍圖 | 中長期方向與各階段目標 |
| 近期計畫 | 目前 Sprint、待處理 issue 與 PR |
| 技術債 | 已知的技術債、風險與償還策略 |
meta-pipe 是一套把「系統性文獻回顧與統合分析」拆解成 10 個可重現階段的流程管線。每個階段都對應一個 Claude Code skill（ma-*/SKILL.md），內含工作流程指引與完整指令參考。使用者以自然語言（例如「start project X」、「continue」）驅動流程，Claude 依序執行各階段並在每一步進行驗證。
核心價值主張：把傳統需要 100+ 小時的統合分析壓縮到約 22–32 小時，同時維持 PRISMA / MOOSE 等報告規範的合規性。
規模概覽（以 scc 統計，排除 .venv/renv）：
- Python 約 17,700 行（107 檔）— 主要工具與腳本
- R 約 4,400 行（46 檔）— 統計分析與圖表產生
- Markdown 約 41,700 行（246 檔）— skills、references、文件
- Shell 約 1,200 行 — 環境設定與驗證
傳統統合分析的痛點與 meta-pipe 的對應方案：
| 痛點 | meta-pipe 的做法 |
|---|---|
| 流程冗長、易在無解問題上浪費數十小時 | Stage 00 強制 4 小時可行性評估（feasibility gate） |
| 篩選主觀、難以重現 | 雙人 AI 篩選 + kappa 一致性門檻（≥ 0.60） |
| 資料萃取耗時且易錯 | LLM 輔助萃取 + 結構化 schema |
| 統計分析與圖表不一致 | R + renv 鎖定環境，腳本化 forest/network 圖 |
| 報告不符期刊規範 | 內建 PRISMA 2020、MOOSE、GRADE、SoF 檢核 |
| 過度宣稱（overclaim） |
claim_audit.py 自動偵測 12 種過度宣稱樣式 |
meta-pipe/
├── ma-*/ # 10 個流程階段模組，每個含 SKILL.md
│ ├── ma-topic-intake/ # Stage 00：選題與可行性
│ ├── ma-search-bibliography/ # Stage 01-02：檢索與去重
│ ├── ma-screening-quality/ # Stage 03：雙人篩選、品質評估
│ ├── ma-fulltext-management/ # Stage 04：全文取得與資格篩選
│ ├── ma-data-extraction/ # Stage 05：資料萃取、RoB 評估
│ ├── ma-meta-analysis/ # Stage 06a：成對統合分析
│ ├── ma-network-meta-analysis/# Stage 06b：網絡統合分析（NMA）
│ ├── ma-manuscript-quarto/ # Stage 07：Quarto 稿件組裝
│ ├── ma-peer-review/ # Stage 08：模擬審稿
│ ├── ma-publication-quality/ # Stage 09：品質檢核
│ └── ma-submission-prep/ # Stage 10：投稿準備
├── ma-end-to-end/ # 全流程編排（orchestration）
├── ma-agent-teams/ # 多 agent 平行協作（實驗性）
├── tooling/python/ # 共用 Python 工具（uv 管理）
├── tooling/ # 其他共用腳本
├── projects/ # 所有使用者的統合分析專案
│ ├── ici-breast-cancer/ # 範例：99% 完成的實例（5 RCT, N=2,402）
│ └── legacy/ # 歷史資料
├── tests/ # Python 測試套件
├── docs/ # 文件與規劃
└── manuscript/ # meta-pipe 本身的方法論稿件
-
Python（uv + venv）：檢索、去重、AI 篩選、萃取、專案狀態管理、品質檢核。一律以
uv run執行。 - R（renv）：統計分析（成對 MA 與 NMA）、forest plot、network graph、league table、SUCRA 排名等圖表。
meta-pipe 的關鍵設計是 skill 即文件即介面：每個 ma-*/SKILL.md 同時是給 Claude 的工作指引、給使用者的指令參考，以及流程的單一事實來源（single source of truth）。修改流程時，優先更新對應的 SKILL.md。
# 1. 一次性環境設定
cp .env.example .env # 填入 API keys
bash setup.sh # 30-60 分鐘
bash verify_environment.sh # 2 分鐘驗證
# 2. 建立新專案
uv run tooling/python/init_project.py --name my-meta-analysis
# 3. 編輯研究問題
# 開啟 projects/my-meta-analysis/TOPIC.txt 貼上主題
# 4. 啟動 Claude Code 並說「Start project my-meta-analysis」想看完整實例？請參考 projects/ici-breast-cancer/（免疫檢查點抑制劑用於三陰性乳癌，5 RCT、N=2,402、主要結果 RR 1.26）。
Academic and Non-Commercial Use License（學術與非商業使用，含中英文版本）。詳見 LICENSE。