پابمد یکی از مهم‌ترین منابع رایگان برای جستجوی منابع علمی در حوزه پزشکی و علوم زیستی است که توسط National Library of Medicine (NLM) و با همکاری NCBI ارائه می‌شود.
📌 داخل PubMed چه چیزهایی پیدا می‌کنیم؟

مقالات پزشکی و علوم زیستی
🔹 مطالعات بالینی
🔹 Clinical Trials
🔹 Systematic Reviews
🔹 Meta-analysis
🔹 Case Reports
🔹 مقالات حوزه سلامت عمومی، پرستاری، داروسازی، دندانپزشکی و بسیاری از رشته‌های علوم پزشکی

پابمد عمدتاً اطلاعات کتابشناختی و چکیده مقالات را ارائه می‌کند و در بسیاری از موارد لینک دسترسی به متن کامل ناشر یا منابعی مانند PubMed Central (PMC) را نشان می‌دهد

1️⃣MEDLINE

یکی از مهم‌ترین بخش‌های PubMed است و مقالات آن با استفاده از واژگان کنترل‌شده MeSH نمایه‌سازی می‌شوند.

2️⃣ PubMed

مجموعه‌ای گسترده‌تر از MEDLINE است و علاوه بر رکوردهای MEDLINE، منابع دیگری از علوم زیستی را نیز دربر می‌گیرد.

3️⃣ PubMed Central (PMC)

یک آرشیو جداگانه برای مقالات تمام‌متن رایگان است.

ساده‌ترین حالت:

مثلاً:

diabetes AND exercise

اما اگر می‌خواهی جستجوی حرفه‌ای انجام بدهی، باید با چند مفهوم آشنا شوی:

🔹 AND

برای محدود کردن نتایج:

"diabetes AND exercise"

یعنی نتایجی که هر دو مفهوم را داشته باشند.

🔹 OR

برای ترکیب مترادف‌ها:

"diabetes OR hyperglycemia"

🔹 NOT

برای حذف یک مفهوم:

"diabetes NOT pregnancy"

⚠️ استفاده از NOT باید با احتیاط باشد، چون ممکن است مقالات مرتبط را هم حذف کند.

یکی از قدرتمندترین ویژگی‌های PubMed، MeSH (Medical Subject Headings) است.

مش، یک واژگان کنترل‌شده برای نمایه‌سازی موضوعی مقالات پزشکی است.

مثلاً ممکن است یک مفهوم با چند عبارت مختلف در متن مقالات نوشته شود؛ MeSH کمک می‌کند این مفهوم را به شکل استاندارد جستجو کنیم.

بعد از جستجو می‌توانی نتایج را محدود کنی، مثلاً بر اساس:

📅 سال انتشار
👥 نوع مقاله
🧪 نوع مطالعه
🧑‍⚕️ گروه سنی
🌎 زبان
📄 دسترسی به متن کامل
و سایر معیارهای موجود در صفحه نتایج.

این فیلترها کمک می‌کنند از بین تعداد زیادی نتیجه، به منابع مناسب‌تر برسیم.

اگر موضوعت بالینی است، این قسمت خیلی به کارت می‌آید.

قسمت Clinical Queries، یک ابزار داخلی PubMed برای جستجوی سریع‌تر مطالعات بالینی است.

می‌توانی جستجو را برای موضوعاتی مانند:

🩺 Therapy
🔬 Diagnosis
📊 Prognosis
⚠️ Etiology
و برخی حوزه‌های بالینی دیگر محدودتر کنی.

همچنین برای پیدا کردن Systematic Reviewها هم گزینه‌های اختصاصی دارد.

اینجا یک نکته مهم وجود دارد:

پابمد خودش را به‌عنوان یک چت‌بات هوش مصنوعی معرفی نکرده است!

بنابراین نباید PubMed را با ابزارهایی مثل ChatGPT یا موتورهای AI پژوهشی یکی بدانیم.

اما می‌توانی PubMed را در کنار AI بسیار هوشمندانه استفاده کنی:

🔎 PubMed → پیدا کردن منابع معتبر

🤖 AI → کمک به تحلیل، خلاصه‌سازی، مقایسه یا سازمان‌دهی اطلاعات

📚 Reference Manager → مدیریت منابع

یعنی AI جای PubMed را نمی‌گیرد؛ بلکه می‌تواند در کنار آن به روند پژوهش کمک کند.


هر چیزی که یک ابزار هوش مصنوعی درباره یک مقاله یا موضوع پزشکی می‌گوید، الزاماً درست نیست.

اگر دانشجوی علوم پزشکی هستی، حداقل این ۵ مورد را از PubMed یاد بگیر:

✅ جستجوی Boolean
✅ MeSH
✅ فیلترهای جستجو
✅ Clinical Queries
✅ ذخیره و مدیریت جستجوها

وقتی این‌ها را بلد باشی، PubMed دیگر فقط یک «کادر Search» نیست؛ تبدیل می‌شود به یکی از ابزارهای اصلی پژوهشت. 🧬🔎

ابزار Elicit یک ابزار هوش مصنوعی برای پژوهش علمی است که به‌جای اینکه فقط مثل یک موتور جستجوی معمولی با کلمات کلیدی کار کند، می‌تواند سؤال پژوهشی شما را درک کند و بر اساس مفهوم سؤال، مقالات مرتبط را پیدا و سازمان‌دهی کند.
این ابزار در حال حاضر امکان جستجو در بیش از ۱۳۸ میلیون مقاله علمی و بیش از ۵۴۵ هزار کارآزمایی بالینی را ارائه می‌کند.

یکی از جذاب‌ترین قابلیت‌های Elicit اینه که لازم نیست از همان ابتدا یک Search Strategy پیچیده بنویسی.
مثلاً به‌جای:
"diabetes AND exercise AND elderly"
می‌توانی سؤال پژوهشی‌ات را به زبان طبیعی بنویسی:
What is the effect of exercise on glycemic control in older adults with type 2 diabetes?
Elicit تلاش می‌کند مقالاتی را پیدا کند که از نظر معنا و محتوای علمی به سؤال تو مرتبط‌اند؛ حتی اگر دقیقاً همان کلمات سؤال در عنوان مقاله وجود نداشته باشند.

اینجا یکی از تفاوت‌های مهم Elicit با جستجوی سنتی مشخص می‌شود.
در جستجوی معمولی، تطابق کلمات اهمیت زیادی دارد.
اما Elicit از Semantic Search استفاده می‌کند؛ یعنی به مفهوم سؤال توجه می‌کند.
پس اگر کلمات مقاله دقیقاً با چیزی که تو سرچ کردی یکسان نباشند، باز هم ممکن است مقاله مرتبط را پیدا کند.

این ابزار فقط یک لیست از عنوان مقالات به تو نمی‌دهد.
می‌توانی مقالات را در قالب جدول بررسی کنی و اطلاعات مختلفی را کنار هم قرار بدهی.
مثلاً:
مقاله| سال| نوع مطالعه| جمعیت| مداخله| نتیجه
Paper 1| 2024| RCT| 200 نفر| Exercise| بهبود...
Paper 2| 2023| Cohort| 500 نفر| —| ارتباط...
این قابلیت برای مقایسه چند مقاله و پیدا کردن الگو بین مطالعات خیلی کاربردی است. Elicit می‌تواند اطلاعات موردنیاز را از مقالات استخراج کند و در ستون‌های جدول قرار دهد.

اگر چندین مقاله داری و وقت نداری تک‌تک آن‌ها را از ابتدا تا انتها بررسی کنی، Elicit می‌تواند در خلاصه‌سازی و مقایسه آن‌ها کمک کند.
حتی می‌توانی اطلاعات مشخصی را از مقالات بخواهی؛ مثلاً:
🔹 حجم نمونه چقدر بوده؟
🔹 نوع مطالعه چه بوده؟
🔹 مداخله چه چیزی بوده؟
🔹 نتیجه اصلی چه بوده؟
🔹 محدودیت مطالعه چه بوده؟
اما یادت باشد:
⚠️ خلاصه AI جایگزین خواندن مقاله اصلی نیست.

این قسمت برای پژوهشگرها خیلی مهم است.
Elicit می‌تواند اطلاعات مشخصی را از مقالات استخراج کند؛ حتی داده‌هایی که در جدول‌های مقاله قرار گرفته‌اند. در workflow مرور نظام‌مند، این قابلیت برای استخراج داده از تعداد زیادی مقاله طراحی شده است.
مثلاً می‌توانی برای مطالعات مختلف ستون‌هایی مثل:
Sample size | Intervention | Comparator | Outcome | Study design
ایجاد کنی و اطلاعات را کنار هم قرار دهی.

Elicit فقط برای «پیدا کردن مقاله» نیست.
یک workflow اختصاصی برای Systematic Review هم دارد که مراحل مختلفی مثل:
🔎 Search
⬇️
📑 Screening
⬇️
📄 Full-text assessment
⬇️
📊 Data extraction
⬇️
📝 Synthesis / Report
را تا حدی با کمک AI پشتیبانی می‌کند.
حتی نسخه فعلی Elicit از PRISMA 2020 در workflow مرور نظام‌مند پشتیبانی می‌کند.

یک قابلیت جذاب دیگر Elicit Reports است.
تو سؤال پژوهشی را مطرح می‌کنی و Elicit می‌تواند بر اساس مقالات پیدا‌شده یک گزارش پژوهشی ساختاریافته ایجاد کند.
این گزارش‌ها از فرایندی الهام‌گرفته از مرورهای نظام‌مند استفاده می‌کنند و مراحل جستجو، غربالگری و استخراج اطلاعات را دنبال می‌کنند.

بله!
یکی از نکات مهم Elicit این است که برای پاسخ‌ها و استخراج‌هایش امکان مشاهده منبع و نقل‌قول پشتیبان از مقاله وجود دارد.
یعنی نباید فقط به جمله‌ای که AI تولید کرده اعتماد کنی؛ می‌توانی بررسی کنی این نتیجه از کجای مقاله آمده است.

🤖 این ابزار، می‌تواند با PubMed کار کند.
در API رسمی Elicit، امکان تعیین corpus روی PubMed وجود دارد؛ یعنی می‌توان جستجو را به مقالات PubMed محدود کرد.
همچنین در قابلیت Keyword Search مربوط به Systematic Reviews، Elicit امکان جستجوی قابل‌ردیابی در PubMed، ClinicalTrials.gov و پایگاه مقالات Elicit را فراهم کرده است.
پس می‌توانیم این‌طور بهش نگاه کنیم:
🩺 PubMed → منبع و پایگاه جستجوی پزشکی
🤖 Elicit → لایه هوشمند برای جستجو، بررسی، استخراج و سازمان‌دهی شواهد
این دو رقیب هم نیستند؛ می‌توانند کنار هم استفاده شوند.

دانشجویان پزشکی
👨‍⚕️ پزشکان و پژوهشگران
💊 دانشجویان داروسازی
🦷 دندانپزشکی
🧪 علوم آزمایشگاهی
🩺 پرستاری و سایر رشته‌های علوم پزشکی
📚 دانشجویانی که مقاله، پایان‌نامه یا مرور منابع انجام می‌دهند

❌ تصمیم‌گیری پزشکی
❌ جایگزین کردن AI با مقاله اصلی
❌ استناد بدون بررسی منبع
❌ اعتماد کورکورانه به خلاصه‌ها
❌ استفاده از خروجی AI بدون بررسی روش مطالعه و کیفیت مقاله
شاید AI بتواند سرعت پژوهش را بالا ببرد؛ اما اعتبار علمی را باید خودمان بررسی کنیم.

فرض کن موضوع پایان‌نامه‌ات اینه:
«تأثیر فعالیت فیزیکی بر کیفیت زندگی سالمندان مبتلا به دیابت نوع ۲»
می‌توانی سؤال پژوهشی را وارد Elicit کنی.
الیسیت می‌تواند:
🔎 مقالات مرتبط را پیدا کند
📚 مقالات را بر اساس ارتباط مرتب کند
📊 اطلاعات مطالعات را در جدول قرار دهد
🧠 مقالات را خلاصه و مقایسه کند
📑 برای مرور منابع کمک کند
🔬 در workflow مرور نظام‌مند، در screening و extraction کمک کند
یعنی از:
«من از کجا شروع کنم؟»
می‌رسی به:
«حالا این مطالعات را با هم مقایسه کنم.» 🚀

▫️ آشنایی ساده و کاربردی با هوش مصنوعی
▫️ هوش مصنوعی چه کار می‌کند و چه کار نمی‌کند؟
▫️ مثال‌های واقعی و روزمره
▫️ پرامپت‌نویسی و گرفتن خروجی بهتر
▫️ استفاده از AI برای متن، خلاصه‌سازی، ترجمه و ایده‌پردازی

یاشار شاهسوند
کارشناس ارشد هوش مصنوعی و رباتیک، متخصص بینایی ماشین و LLMs

دبیر کانون هوش مصنوعی نکسوس سازمان دانشجویان استان بوشهر و کانون هوش مصنوعی دانشگاه علوم پزشکی بوشهر