基于大语言模型的跨研究设计因果证据提取与合成：盐摄入与血压关系的证据三角验证

本研究针对健康决策中行为与生物医学干预证据复杂矛盾的问题，开发了基于大语言模型（LLM）的两步证据三角验证框架（CoE/LoC）。通过提取暴露-结局概念与关系方向（F1=0.86），整合RCT、MR和OS等多元研究设计（942项研究），首次量化证实盐摄入对血压的强兴奋效应（CoE=0.688），为动态评估科学争议提供了自动化解决方案。

在健康策略日益强调行为干预的今天，关于饮食与健康的证据却呈现碎片化甚至矛盾状态。以盐摄入与血压关系为例，传统系统评价耗时费力且难以及时整合新兴证据。这种证据混乱直接阻碍了高血压等慢性病的精准防控，亟需建立自动化、动态化的证据整合方法。

北京大学的研究团队在《Nature Communications》发表创新研究，利用大语言模型（LLM）构建了证据三角验证框架。该研究通过两步提取法（先实体后关系）从942项研究中提取暴露-结局关系，其方向识别准确率（F1=0.86）显著优于传统方法。研究首次计算出盐摄入升高血压的收敛证据指数（CoE）达0.688，证实其强兴奋效应；同时发现盐与心血管疾病的关联强度较弱（CoE=0.237），为持续争议提供了量化解释。

关键技术包括：1）基于BERTScore的语义相似度评估（阈值0.8）；2）深度求索（deepseek-chat）模型的两步信息提取；3）融合研究设计权重（RCT/MR/OS）的Laplace平滑算法；4）纳入护士健康研究等外部验证队列。

研究结果显示：

1. 模型验证：两步提取法在方向识别（F1=0.82）和显著性判断（F1=0.96）上优于单步法，成本效益比（CER）最优。

2. 盐-血压关系：整合719项研究（截至2018年）显示62.8%证据支持降压效应，显著高于传统综述的49%，新增MR证据使CoE从0.441升至0.688。

3. 盐-心血管病关系：2014年前证据收敛度较低（CoE=0.237），但随时间呈现稳定兴奋趋势。

该研究突破性地实现了三大创新：1）首次将神经科学的CEI指数转化为医学证据的CoE/LoC量化体系；2）开发动态追踪模块，可实时监测年度关键研究对共识的影响；3）规避传统Meta分析的设计局限性，通过平等加权RCT/MR/OS实现偏差平衡。正如作者Xuanyu Shi和Jian Du所强调，这种方法不仅能加速科学共识形成，更能通过暴露矛盾证据指导未来研究方向。对于正在修订膳食指南的机构而言，这种证据可视化工具可显著提升决策效率。

研究同时指出，当前框架仍需解决术语标准化（如SNOMED CT映射）和研究人群异质性等问题。但毫无疑问，这种LLM驱动的证据三角验证范式，将为解决从营养学到环境健康的复杂因果争议树立新标准。