本文闡述針灸證據數據庫（clinical evidence database of acupuncture，ACU-CED）的設計與搭建流程，主要包括：基于需求設立專家組進行頂層設計、制訂項目實施方案及標準，全面檢索中英文針灸臨床隨機對照試驗（randomized controlled trials，RCTs），對證據進行系統的結構化提取及嚴謹的質量評價后，采用數據分析方法實現證據的自動化利用。ACU-CED 將成為首個集檢索、瀏覽、結果分析、數據統計和證據提取功能于一身的結構化數據庫。其填補了針灸臨床證據資源數據庫的空缺，提高了證據轉化效率，減少了資源浪費，并可實現系統評價/Meta 分析自動化及臨床證據可視化，為針灸臨床決策、指南制訂及適宜病譜的更新提供證據支撐。
引用本文： 龐博, 張俊華, 鄭文科, 楊豐文. 針灸臨床證據數據庫（ACU-CED）的設計與實現. 中國循證醫學雜志, 2020, 20(4): 481-486. doi: 10.7507/1672-2531.201908100 復制
針灸具有“簡便廉驗”的顯著優勢，其作為國際上使用范圍最廣的中醫藥療法已傳播至 183 個國家和地區，并相繼在 59 個國家和地區獲得立法認可[1]。隨著循證醫學（evidence-based medicine，EBM）的普及，對干預措施及臨床療效的證據需求和質量評價不斷加強，針灸治療的療效也亟需提供更多高質量證據以回應目前存在的質疑和爭議[2, 3]。在 EBM 體系中，隨機對照臨床試驗（randomized controlled trials，RCTs）及其系統評價是最高級別證據的來源，而證據質量是實踐 EBM 的關鍵[4, 5]。自 2010 年以來，每年的針灸 RCT 發文量均大于 1 000 篇，且在 10 年間增長了近 10 倍[6]。國外期刊對針灸臨床研究的刊載量也隨之增長，1995 年至 2014 年的 20 年間，僅發表在 PubMed 的針灸臨床研究就有 13 320 篇，年增長率 10.7%，其中 RCTs 的比例由 1995 年 7.4% 增長至 2014 年的 20.3%，文獻量增加了 4 倍[7]，但海量研究若利用效率和轉化率得不到保證，就難以為臨床決策提供可利用的證據[8, 9]。目前，中醫藥循證醫學證據的主要信息來源仍需依靠綜合型信息數據庫，例如 CNKI、SinoMed、PubMed 等[10]。雖然各大數據庫收錄范圍廣，但針灸證據來源分散，用戶檢索時經常出現大量相關度較低的文獻，導致信息采集效率及使用感明顯降低[11, 12]。因此，針對針灸臨床研究數據可及性差、利用轉化率低等問題[13]，亟需建成專業化、結構化、高效智能的針灸臨床證據平臺，及時更新已發表的全部針灸相關 RCTs，對各項研究進行規范系統的證據提取、評價和分析，以提高用戶對針灸臨床證據的檢索和利用效率，服務臨床決策證據需求。
天津中醫藥大學循證醫學中心（教育部網上合作中心）于 2016 年創建了“中醫藥臨床研究證據庫（evidence database system，EVDS）”系統[14, 15]，旨在通過整合循證醫學、大數據和人工智能技術方法，建成系統化、規范化、智能化的中醫藥臨床循證評價決策平臺，實現數據快速提取，Meta 分析自動化和可視化。EVDS 于 2017 年 4 月 22 日在第二屆循證中醫藥國際論壇上正式啟動，包括中藥臨床有效性證據庫、中藥臨床安全性證據庫、針灸臨床證據庫和中藥臨床指南數據庫 4 個子系統，已獲得多項相關軟件著作權。目前，中藥臨床有效性證據庫（clinical evidence database of traditional Chinese medicine，TCM-CED）[16]已建設完成并投入運營。以下擬對針灸臨床證據庫（clinical evidence database of acupuncture，ACU-CED）的設計與搭建情況進行介紹。
1 數據庫搭建及功能模塊設計
1.1 頂層設計形成
ACU-CED 項目組前期設立 4 個專家組，見表 1。其中針灸臨床專家組（5 人）、循證方法學專家組（2 人）及文獻學專家組（2 人），結合項目團隊承擔證據庫頂層設計，包括文獻檢索策略、RCT 文檔結構、字段特征、功能模塊、業務流程的分析設計等；數據庫及網絡技術團隊（5 人）負責證據庫平臺搭建開發，實現文獻檢索、證據篩選、結局指標的量化提取，以及負責完成數據集成、清洗、融合等來確保數據提取質量。項目組結合各專家組的共識意見，對數據庫搭建中的關鍵環節（包括臨床一致性、方法學一致性、網絡技術關聯性等）進行擬定，以確保項目的規范性、全面性、有用性、可行性及本系統的準確性和可信度。基于大數據的 ACU-CED 平臺體系架構旨在具備智能運算、運行高效、易于擴展、安全可靠等特點，快速支持針灸臨床證據的集成，實現海量異構臨床數據的存儲；提供實時處理計算框架來支持質量評價和 Meta 實時分析；建立并行數據挖掘算法庫，實現深度分析挖掘和建模能力；開發一站式圖形化的數據開發套件，進行快速分析應用。
表1
項目專家組規模及頂層設計共識內容
1.2 關鍵技術及功能模塊設計
本系統主要以 Java 語言、Java EE 標準來開發，搭建基于 Web 環境的數據庫應用平臺，并采用 C/S（Client/Server，客戶端/服務器）架構（圖 1），實現表觀層和控制層的分離，保證平臺的可維護性及可擴展性。ACU-CED 涉及的核心模塊如下：① 數據管理模塊：包括發表信息（研究類型、文獻編碼、標題、發表期刊等）、受試者信息（疾病、樣本、人口學信息）、研究模型、干預方法、對照措施、結局指標（計數指標、計量指標、不良反應及脫失等）、研究數據等；② 數據清洗：包括數據集成、數據清洗、數據標化、數據轉存與管理等；③ 分析模塊：包括描述性分析、質量分析、Meta 分析、漏斗圖分析等；④ 證據報告模塊：包括 Cochrane ROB、CONSORT、STRICTA、臨床重要性等；⑤ 權限管理模塊：實現用戶、角色、權限設置的管理，包括角色管理、分組管理、用戶管理等；⑥ 網站管理模塊：實現對數據庫客戶端網站的管理，主要包括首頁輪播管理、資訊管理、干預措施、對照設置、疾病 ICD-11、會員管理等；⑦ 系統管理模塊：實現對系統參數的配置和公告的管理，主要包括通知管理、系統參數配置、數據字典管理、系統日志管理等；⑧ 數據挖掘模塊：實現數據挖掘功能，主要包括 Kmeans 聚類算法進行特性向量分析，Apriori 算法進行關聯規則分析，生成在相關領域具有一定參考意義的文檔。
圖1
針灸臨床證據庫（ACU-CED）客戶端/服務器（C/S）模式
2 資料采集和信息提取
2.1 臨床資料收集
ACU-CED 的數據來源于公開發表于中英文醫學權威數據庫的以針灸療法為干預措施的 RCTs，對照措施及結局指標不限。檢索數據庫包括：CNKI（1979～）、CBM（1979～）、VIP（1989～）、WanFang Data（1998～）、The Cochrane Library（1996～）、PubMed（1980～）、EMbase（1984～）和 Web of Science（1975～）。
檢索策略主要基于干預措施和臨床研究設計，通過檢索 PubMed 的 MeSH 詞表、EMbase 的 Emtree 詞表及 CBM 數據庫的《中國中醫藥學主題詞表》確定檢索詞對應的中英文主題詞，將檢索詞對應的主題詞及下位詞作為非主題檢索的檢索詞。利用確定檢索詞對應的主題詞和同義詞，根據 PRESS 指南制定檢索策略（主題詞結合自由詞），根據不同數據庫的檢索系統調整檢索策略并實施檢索。
考慮到針灸療法干預方式的復雜性，項目前期通過專家組會議對干預組的檢索詞進行了嚴格設定，以第 7 版國家級規劃教材《刺法灸法學》[17]為標準，將針灸方法分為 8 大類目及 20 余項亞類目，并嚴格制定檢索式（即平臺文檔字段）。包括：① 手針；② 電針；③ 特殊針法（三棱針、皮膚針、皮內針、火針、芒針）；④ 區系針法（頭針、耳針、眼針、腹針、腕踝針）；⑤ 灸法（艾灸、藥灸、溫針）；⑥ 拔罐法；⑦ 穴位療法（水針、穴位埋藏、穴位敷貼、穴位指針、穴位磁療、穴位照射、穴位電刺激）；⑧ 復合療法（附加藥物/其他西醫療法或 2 類及以上針灸療法結合）。
文獻篩選由 2 名評價員（醫學專業研究生）獨立進行，篩選完成后進行交叉核對，對有分歧的文獻與第 3 位評價員（循證醫學專家/文獻學專家）討論協商后決定是否納入。文獻篩選步驟如下：① 通過檢索多個數據庫盡可能全面地檢出相關研究，采用文獻管理軟件將初檢文獻歸類、整理，排除重復文獻；② 通過閱讀每篇文獻的題目和摘要，排除明顯不符合納入標準的不相關研究；③ 對于潛在的相關文獻調閱全文后決定是否納入；④ 對重復發表的文獻進行分析、判定，最終納入最新最全報告內容；⑤ 根據納入標準復核初步納入的研究文獻，詳細記錄排除文獻的原因；⑥ 對于信息報告不全者，盡量聯系原作者補充相關資料；⑦ 最終確定納入研究，進入數據提取階段。
2.2 信息提取
對納入的每篇研究文獻進行順序編碼，使每個研究都有對應的代碼。代碼采用 9 位阿拉伯數字表示，編碼規則為“文章發表年份+系統統計現有數量+1”，例如“200101024”表示該研究為 2001 年發表，屬系統納入的第 1024 篇文獻。根據專家共識結果設計 RCTs 信息數據提取表，總體包括發表信息、受試者信息（patient，P）、干預措施（intervention，I）、對照方式（comparison，C）、結局指標（outcome，O）5 個部分（表 2）。提取過程執行“雙提+核查”規范（圖 2），對于同一篇研究數據提取由 2 名評價員獨自進行，并由軟件進行交叉審核，對于有差異的信息經核查人員審核確定后存入數據庫系統。
表2
ACU-CED 數據庫信息提取及文檔字段
圖2
針灸臨床證據庫（ACU-CED）數據雙提取/錄入審核過程
3 證據評價
通過項目團隊與專家組共識會議，結合針灸干預的特點，對評價標準中的所有條目進行統一規范，盡可能保證證據評價的準確性和客觀性。
3.1 報告質量評價
采用隨機對照試驗報告統一規范 CONSORT（consolidated standards of reporting trials）2010 版[18, 19]、針刺臨床試驗干預措施報告標準 STRICTA（standards for reporting interventions in clinical trials of acupuncture）2010 版[20]對納入的 RCTs 進行報告質量評價。前者包括 6 個領域（題目和摘要、引言、方法、結果、討論、其他）及 25 個條目，而后者針對針灸療法的特殊性，專門對 CONSORT 清單中干預措施部分進行了擴展，包括針刺治療的合理性、針刺細節、治療方案、輔助干預措施、治療師背景、對照或對照干預 6 個條目。兩個報告清單中每個條目均有 3 個選項：完全報告、部分報告和未報告，并附有備注欄目填寫判斷依據。
3.2 方法學質量評價
采用 Cochrane 手冊推薦的偏倚風險評價工具（risk of bias，ROB）[21]對擬入庫的 RCTs 進行客觀的方法學質量評價，包括隨機分組、分配隱藏、盲法、結果數據的完整性、選擇性報告研究結果及其他偏倚來源等 6 個條目。每個條目均有 3 個選項：存在偏倚的可能性小、存在偏倚的可能性中等、存在偏倚的可能性大。針對針灸 RCTs 的特點，通過專家共識對分配隱藏、盲法、其他偏倚等判定爭議較大的條目進行商討，統一各條目的評價權重及評判標準。
4 質量控制
為保證文獻篩選的一致性和提取數據的準確性，首先遴選中醫學專業（尤其是針灸學類專業）研究生，進行醫學科研設計與系統評價撰寫培訓并進行考試；對考試合格的研究生進一步培訓文獻篩選與數據提取技巧及常見問題處理方法；培訓合格后，對樣本文獻（約納入文獻的千分之一，其中包括肯定合格、肯定不合格和不確定）進行篩選預試驗，同時對肯定合格的樣本文獻進行數據提取預試驗。當預試驗在不同評價員之間的 Kappa 值大于 0.9 以后，正式開始文獻篩選與數據提取；編制文獻篩選與數據提取指導手冊，采用“雙錄雙核”策略，同時進行 2 輪復核以保障結果的準確性。
為確保質量評價的準確性，主要采取以下措施：① 采用美國醫療保健研究與質量局推薦的 5 步法評價納入研究質量；② 制定詳細的質量評價規范（內容涉及質量評價條目及解讀、常見問題處理）；③ 對質量評價員進行培訓、考核和再培訓合格后方可參加質量評價；④ 對合格的評價員進行文獻質量評價預試驗，預試驗在不同評價員之間的 Kappa 值大于 0.9 以后進行正式質量評價；⑤ 采用“雙錄雙核”策略和 2 輪復核保障質量評價結果的準確性。
同時，ACU-CED 系統提供雙錄入功能、數據版本追溯功能，前者即雙方錄入同一數據，比較錄入數據是否存在差異，給出相應提示，數據審核員負責修改數據或者選擇提交一方的數據；版本追溯功能指系統保存各項數據的歷史版本，包括雙錄入版本、審核修改版本、提交版本數據等，供高級別的審核員或者管理員查詢。此外，系統為錄入人員設置不同使用權限，通過為相關人員分配權限，使個別錄入人員不能隨意刪除、修改錄入的信息，進一步增強了系統數據的可靠性與安全性。
5 數據庫功能及用途
ACU-CED 是面向所有互聯網用戶開放的公共網站，面對的用戶群體主要是國內外針灸臨床決策者、研究人員，醫療政策制訂者和專家等，旨在為用戶提供全面可靠的國內外針灸 RCTs 證據。
本數據庫主要具有以下功能及特色：① 檢索靈活，信息全面：提供基本檢索（主題、關鍵詞、篇名、作者）及高級檢索（“OR”、“AND”和“NOT”布爾邏輯功能等）；提供 PICO 要素、干預措施、對照設置、疾病 ICD-11 分類檢索；提供相關研究的發表信息、摘要、PICO 數據報告，及報告質量和方法學質量評價報告。② 證據可視化展示及自動化分析：提供權限內的質量評價報告查看及導出功能；用戶可查看研究的報告結局，并進行選擇性合并分析，系統后臺通過關聯統計軟件（如 RevMan），自動計算合并效應量，輸出統計值和相關統計圖表。③ 數據批處理及一鍵導出：提供大量目標數據批量導出，以進一步用于系統評價/再評價研究；用戶可查看證據報告，在導出模版中對相關內容進行自主編輯，以 Excel、pdf 等格式批量導出證據信息和結構化報告。④ 證據定時更新，設置用戶提醒：數據資源定時更新，并將在平臺首頁設置更新提示，以便用戶及時跟進；平臺還將逐步實現用戶訂閱服務，更新內容會以題錄的形式發送到指定郵箱。⑤ 中英文輸出，擴大用戶群：平臺客戶端實現中英文界面切換，促進國內外針灸證據的資源共享和輸出轉化。
6 結語
截至目前，項目團隊前期建成的 TCM-CED 系統[16]已涵蓋了 8 萬余個中醫藥 RCTs 數據和 4 千余篇系統評價/Meta 分析文獻，已擁有較完備的文獻獲取、數據提取和質量評價技術，并已在中醫科研及臨床工作群體中投入使用。基于該數據庫，項目團隊于 2018 年 10 月 12 日舉辦的第三屆循證中醫藥學國際論壇和首屆世界人工智能健康管理論壇上發布了中藥注射劑臨床有效證據指數，繼而在 2019 年 10 月 19 日舉辦的第三屆中原腦病論壇上發布了中藥治療中風病臨床研究年度報告（2018）及中藥治療中風病的年度證據指數。TCM-CED 的建成及運用為 ACU- CED 的平臺搭建、功能模塊優化和機器學習奠定了良好基礎。
2019 年 10 月 26 日發布的《中共中央 國務院關于促進中醫藥傳承創新發展的意見》[22]中提出要加強循證醫學方法在中醫藥領域的研究和應用。而隨著大數據時代的來臨，信息技術與針灸診療的融合將成為必然，針灸循證共享數據信息庫建設已發展成為一種產業和戰略需求，是未來信息科技的方向[23-25]。結合針灸學科需求導向，通過針灸、統計、循證醫學、計算機網絡技術、人工智能等多學科體系互融，形成具有 EBM 特色的針灸臨床證據資源平臺，將為針灸研究者提供一個可靠的證據獲取、利用、轉化平臺，實現證據可視化展示及系統評價/Meta 分析自動化，為臨床指南、專家共識、臨床決策提供快速、可靠的證據支撐，并可為新的臨床研究設計提供基線信息，有利于促進證據轉化、資源共享、推動針灸國際化。
針灸具有“簡便廉驗”的顯著優勢，其作為國際上使用范圍最廣的中醫藥療法已傳播至 183 個國家和地區，并相繼在 59 個國家和地區獲得立法認可[1]。隨著循證醫學（evidence-based medicine，EBM）的普及，對干預措施及臨床療效的證據需求和質量評價不斷加強，針灸治療的療效也亟需提供更多高質量證據以回應目前存在的質疑和爭議[2, 3]。在 EBM 體系中，隨機對照臨床試驗（randomized controlled trials，RCTs）及其系統評價是最高級別證據的來源，而證據質量是實踐 EBM 的關鍵[4, 5]。自 2010 年以來，每年的針灸 RCT 發文量均大于 1 000 篇，且在 10 年間增長了近 10 倍[6]。國外期刊對針灸臨床研究的刊載量也隨之增長，1995 年至 2014 年的 20 年間，僅發表在 PubMed 的針灸臨床研究就有 13 320 篇，年增長率 10.7%，其中 RCTs 的比例由 1995 年 7.4% 增長至 2014 年的 20.3%，文獻量增加了 4 倍[7]，但海量研究若利用效率和轉化率得不到保證，就難以為臨床決策提供可利用的證據[8, 9]。目前，中醫藥循證醫學證據的主要信息來源仍需依靠綜合型信息數據庫，例如 CNKI、SinoMed、PubMed 等[10]。雖然各大數據庫收錄范圍廣，但針灸證據來源分散，用戶檢索時經常出現大量相關度較低的文獻，導致信息采集效率及使用感明顯降低[11, 12]。因此，針對針灸臨床研究數據可及性差、利用轉化率低等問題[13]，亟需建成專業化、結構化、高效智能的針灸臨床證據平臺，及時更新已發表的全部針灸相關 RCTs，對各項研究進行規范系統的證據提取、評價和分析，以提高用戶對針灸臨床證據的檢索和利用效率，服務臨床決策證據需求。
天津中醫藥大學循證醫學中心（教育部網上合作中心）于 2016 年創建了“中醫藥臨床研究證據庫（evidence database system，EVDS）”系統[14, 15]，旨在通過整合循證醫學、大數據和人工智能技術方法，建成系統化、規范化、智能化的中醫藥臨床循證評價決策平臺，實現數據快速提取，Meta 分析自動化和可視化。EVDS 于 2017 年 4 月 22 日在第二屆循證中醫藥國際論壇上正式啟動，包括中藥臨床有效性證據庫、中藥臨床安全性證據庫、針灸臨床證據庫和中藥臨床指南數據庫 4 個子系統，已獲得多項相關軟件著作權。目前，中藥臨床有效性證據庫（clinical evidence database of traditional Chinese medicine，TCM-CED）[16]已建設完成并投入運營。以下擬對針灸臨床證據庫（clinical evidence database of acupuncture，ACU-CED）的設計與搭建情況進行介紹。
1 數據庫搭建及功能模塊設計
1.1 頂層設計形成
ACU-CED 項目組前期設立 4 個專家組，見表 1。其中針灸臨床專家組（5 人）、循證方法學專家組（2 人）及文獻學專家組（2 人），結合項目團隊承擔證據庫頂層設計，包括文獻檢索策略、RCT 文檔結構、字段特征、功能模塊、業務流程的分析設計等；數據庫及網絡技術團隊（5 人）負責證據庫平臺搭建開發，實現文獻檢索、證據篩選、結局指標的量化提取，以及負責完成數據集成、清洗、融合等來確保數據提取質量。項目組結合各專家組的共識意見，對數據庫搭建中的關鍵環節（包括臨床一致性、方法學一致性、網絡技術關聯性等）進行擬定，以確保項目的規范性、全面性、有用性、可行性及本系統的準確性和可信度。基于大數據的 ACU-CED 平臺體系架構旨在具備智能運算、運行高效、易于擴展、安全可靠等特點，快速支持針灸臨床證據的集成，實現海量異構臨床數據的存儲；提供實時處理計算框架來支持質量評價和 Meta 實時分析；建立并行數據挖掘算法庫，實現深度分析挖掘和建模能力；開發一站式圖形化的數據開發套件，進行快速分析應用。
表1
項目專家組規模及頂層設計共識內容
1.2 關鍵技術及功能模塊設計
本系統主要以 Java 語言、Java EE 標準來開發，搭建基于 Web 環境的數據庫應用平臺，并采用 C/S（Client/Server，客戶端/服務器）架構（圖 1），實現表觀層和控制層的分離，保證平臺的可維護性及可擴展性。ACU-CED 涉及的核心模塊如下：① 數據管理模塊：包括發表信息（研究類型、文獻編碼、標題、發表期刊等）、受試者信息（疾病、樣本、人口學信息）、研究模型、干預方法、對照措施、結局指標（計數指標、計量指標、不良反應及脫失等）、研究數據等；② 數據清洗：包括數據集成、數據清洗、數據標化、數據轉存與管理等；③ 分析模塊：包括描述性分析、質量分析、Meta 分析、漏斗圖分析等；④ 證據報告模塊：包括 Cochrane ROB、CONSORT、STRICTA、臨床重要性等；⑤ 權限管理模塊：實現用戶、角色、權限設置的管理，包括角色管理、分組管理、用戶管理等；⑥ 網站管理模塊：實現對數據庫客戶端網站的管理，主要包括首頁輪播管理、資訊管理、干預措施、對照設置、疾病 ICD-11、會員管理等；⑦ 系統管理模塊：實現對系統參數的配置和公告的管理，主要包括通知管理、系統參數配置、數據字典管理、系統日志管理等；⑧ 數據挖掘模塊：實現數據挖掘功能，主要包括 Kmeans 聚類算法進行特性向量分析，Apriori 算法進行關聯規則分析，生成在相關領域具有一定參考意義的文檔。
圖1
針灸臨床證據庫（ACU-CED）客戶端/服務器（C/S）模式
2 資料采集和信息提取
2.1 臨床資料收集
ACU-CED 的數據來源于公開發表于中英文醫學權威數據庫的以針灸療法為干預措施的 RCTs，對照措施及結局指標不限。檢索數據庫包括：CNKI（1979～）、CBM（1979～）、VIP（1989～）、WanFang Data（1998～）、The Cochrane Library（1996～）、PubMed（1980～）、EMbase（1984～）和 Web of Science（1975～）。
檢索策略主要基于干預措施和臨床研究設計，通過檢索 PubMed 的 MeSH 詞表、EMbase 的 Emtree 詞表及 CBM 數據庫的《中國中醫藥學主題詞表》確定檢索詞對應的中英文主題詞，將檢索詞對應的主題詞及下位詞作為非主題檢索的檢索詞。利用確定檢索詞對應的主題詞和同義詞，根據 PRESS 指南制定檢索策略（主題詞結合自由詞），根據不同數據庫的檢索系統調整檢索策略并實施檢索。
考慮到針灸療法干預方式的復雜性，項目前期通過專家組會議對干預組的檢索詞進行了嚴格設定，以第 7 版國家級規劃教材《刺法灸法學》[17]為標準，將針灸方法分為 8 大類目及 20 余項亞類目，并嚴格制定檢索式（即平臺文檔字段）。包括：① 手針；② 電針；③ 特殊針法（三棱針、皮膚針、皮內針、火針、芒針）；④ 區系針法（頭針、耳針、眼針、腹針、腕踝針）；⑤ 灸法（艾灸、藥灸、溫針）；⑥ 拔罐法；⑦ 穴位療法（水針、穴位埋藏、穴位敷貼、穴位指針、穴位磁療、穴位照射、穴位電刺激）；⑧ 復合療法（附加藥物/其他西醫療法或 2 類及以上針灸療法結合）。
文獻篩選由 2 名評價員（醫學專業研究生）獨立進行，篩選完成后進行交叉核對，對有分歧的文獻與第 3 位評價員（循證醫學專家/文獻學專家）討論協商后決定是否納入。文獻篩選步驟如下：① 通過檢索多個數據庫盡可能全面地檢出相關研究，采用文獻管理軟件將初檢文獻歸類、整理，排除重復文獻；② 通過閱讀每篇文獻的題目和摘要，排除明顯不符合納入標準的不相關研究；③ 對于潛在的相關文獻調閱全文后決定是否納入；④ 對重復發表的文獻進行分析、判定，最終納入最新最全報告內容；⑤ 根據納入標準復核初步納入的研究文獻，詳細記錄排除文獻的原因；⑥ 對于信息報告不全者，盡量聯系原作者補充相關資料；⑦ 最終確定納入研究，進入數據提取階段。
2.2 信息提取
對納入的每篇研究文獻進行順序編碼，使每個研究都有對應的代碼。代碼采用 9 位阿拉伯數字表示，編碼規則為“文章發表年份+系統統計現有數量+1”，例如“200101024”表示該研究為 2001 年發表，屬系統納入的第 1024 篇文獻。根據專家共識結果設計 RCTs 信息數據提取表，總體包括發表信息、受試者信息（patient，P）、干預措施（intervention，I）、對照方式（comparison，C）、結局指標（outcome，O）5 個部分（表 2）。提取過程執行“雙提+核查”規范（圖 2），對于同一篇研究數據提取由 2 名評價員獨自進行，并由軟件進行交叉審核，對于有差異的信息經核查人員審核確定后存入數據庫系統。
表2
ACU-CED 數據庫信息提取及文檔字段
圖2
針灸臨床證據庫（ACU-CED）數據雙提取/錄入審核過程
3 證據評價
通過項目團隊與專家組共識會議，結合針灸干預的特點，對評價標準中的所有條目進行統一規范，盡可能保證證據評價的準確性和客觀性。
3.1 報告質量評價
采用隨機對照試驗報告統一規范 CONSORT（consolidated standards of reporting trials）2010 版[18, 19]、針刺臨床試驗干預措施報告標準 STRICTA（standards for reporting interventions in clinical trials of acupuncture）2010 版[20]對納入的 RCTs 進行報告質量評價。前者包括 6 個領域（題目和摘要、引言、方法、結果、討論、其他）及 25 個條目，而后者針對針灸療法的特殊性，專門對 CONSORT 清單中干預措施部分進行了擴展，包括針刺治療的合理性、針刺細節、治療方案、輔助干預措施、治療師背景、對照或對照干預 6 個條目。兩個報告清單中每個條目均有 3 個選項：完全報告、部分報告和未報告，并附有備注欄目填寫判斷依據。
3.2 方法學質量評價
采用 Cochrane 手冊推薦的偏倚風險評價工具（risk of bias，ROB）[21]對擬入庫的 RCTs 進行客觀的方法學質量評價，包括隨機分組、分配隱藏、盲法、結果數據的完整性、選擇性報告研究結果及其他偏倚來源等 6 個條目。每個條目均有 3 個選項：存在偏倚的可能性小、存在偏倚的可能性中等、存在偏倚的可能性大。針對針灸 RCTs 的特點，通過專家共識對分配隱藏、盲法、其他偏倚等判定爭議較大的條目進行商討，統一各條目的評價權重及評判標準。
4 質量控制
為保證文獻篩選的一致性和提取數據的準確性，首先遴選中醫學專業（尤其是針灸學類專業）研究生，進行醫學科研設計與系統評價撰寫培訓并進行考試；對考試合格的研究生進一步培訓文獻篩選與數據提取技巧及常見問題處理方法；培訓合格后，對樣本文獻（約納入文獻的千分之一，其中包括肯定合格、肯定不合格和不確定）進行篩選預試驗，同時對肯定合格的樣本文獻進行數據提取預試驗。當預試驗在不同評價員之間的 Kappa 值大于 0.9 以后，正式開始文獻篩選與數據提取；編制文獻篩選與數據提取指導手冊，采用“雙錄雙核”策略，同時進行 2 輪復核以保障結果的準確性。
為確保質量評價的準確性，主要采取以下措施：① 采用美國醫療保健研究與質量局推薦的 5 步法評價納入研究質量；② 制定詳細的質量評價規范（內容涉及質量評價條目及解讀、常見問題處理）；③ 對質量評價員進行培訓、考核和再培訓合格后方可參加質量評價；④ 對合格的評價員進行文獻質量評價預試驗，預試驗在不同評價員之間的 Kappa 值大于 0.9 以后進行正式質量評價；⑤ 采用“雙錄雙核”策略和 2 輪復核保障質量評價結果的準確性。
同時，ACU-CED 系統提供雙錄入功能、數據版本追溯功能，前者即雙方錄入同一數據，比較錄入數據是否存在差異，給出相應提示，數據審核員負責修改數據或者選擇提交一方的數據；版本追溯功能指系統保存各項數據的歷史版本，包括雙錄入版本、審核修改版本、提交版本數據等，供高級別的審核員或者管理員查詢。此外，系統為錄入人員設置不同使用權限，通過為相關人員分配權限，使個別錄入人員不能隨意刪除、修改錄入的信息，進一步增強了系統數據的可靠性與安全性。
5 數據庫功能及用途
ACU-CED 是面向所有互聯網用戶開放的公共網站，面對的用戶群體主要是國內外針灸臨床決策者、研究人員，醫療政策制訂者和專家等，旨在為用戶提供全面可靠的國內外針灸 RCTs 證據。
本數據庫主要具有以下功能及特色：① 檢索靈活，信息全面：提供基本檢索（主題、關鍵詞、篇名、作者）及高級檢索（“OR”、“AND”和“NOT”布爾邏輯功能等）；提供 PICO 要素、干預措施、對照設置、疾病 ICD-11 分類檢索；提供相關研究的發表信息、摘要、PICO 數據報告，及報告質量和方法學質量評價報告。② 證據可視化展示及自動化分析：提供權限內的質量評價報告查看及導出功能；用戶可查看研究的報告結局，并進行選擇性合并分析，系統后臺通過關聯統計軟件（如 RevMan），自動計算合并效應量，輸出統計值和相關統計圖表。③ 數據批處理及一鍵導出：提供大量目標數據批量導出，以進一步用于系統評價/再評價研究；用戶可查看證據報告，在導出模版中對相關內容進行自主編輯，以 Excel、pdf 等格式批量導出證據信息和結構化報告。④ 證據定時更新，設置用戶提醒：數據資源定時更新，并將在平臺首頁設置更新提示，以便用戶及時跟進；平臺還將逐步實現用戶訂閱服務，更新內容會以題錄的形式發送到指定郵箱。⑤ 中英文輸出，擴大用戶群：平臺客戶端實現中英文界面切換，促進國內外針灸證據的資源共享和輸出轉化。
6 結語
截至目前，項目團隊前期建成的 TCM-CED 系統[16]已涵蓋了 8 萬余個中醫藥 RCTs 數據和 4 千余篇系統評價/Meta 分析文獻，已擁有較完備的文獻獲取、數據提取和質量評價技術，并已在中醫科研及臨床工作群體中投入使用。基于該數據庫，項目團隊于 2018 年 10 月 12 日舉辦的第三屆循證中醫藥學國際論壇和首屆世界人工智能健康管理論壇上發布了中藥注射劑臨床有效證據指數，繼而在 2019 年 10 月 19 日舉辦的第三屆中原腦病論壇上發布了中藥治療中風病臨床研究年度報告（2018）及中藥治療中風病的年度證據指數。TCM-CED 的建成及運用為 ACU- CED 的平臺搭建、功能模塊優化和機器學習奠定了良好基礎。
2019 年 10 月 26 日發布的《中共中央 國務院關于促進中醫藥傳承創新發展的意見》[22]中提出要加強循證醫學方法在中醫藥領域的研究和應用。而隨著大數據時代的來臨，信息技術與針灸診療的融合將成為必然，針灸循證共享數據信息庫建設已發展成為一種產業和戰略需求，是未來信息科技的方向[23-25]。結合針灸學科需求導向，通過針灸、統計、循證醫學、計算機網絡技術、人工智能等多學科體系互融，形成具有 EBM 特色的針灸臨床證據資源平臺，將為針灸研究者提供一個可靠的證據獲取、利用、轉化平臺，實現證據可視化展示及系統評價/Meta 分析自動化，為臨床指南、專家共識、臨床決策提供快速、可靠的證據支撐，并可為新的臨床研究設計提供基線信息，有利于促進證據轉化、資源共享、推動針灸國際化。
