本文研究了由多个人工标注员（包括专家和非专家）进行的 PICO 注释的一致性，并发现个体标注员的注释边界非常多样化，认为仅使用标准协议可能会削弱 PICO 跨度的一致性，同时采用标准和宽松协议更适用于 PICO 跨度评估。

Apr, 2019

本文介绍了一种新的任务和语料库，通过全文文章描述随机对照试验 (RCT) 的方式，推断与给定干预、比较和预期结果相关的报告发现，结果表明这项任务的困难性主要归因于长篇的技术性输入文本。

Apr, 2019

本文提出并测试了一种新的 PICO 区间检测方法，该方法不需要标注的区间数据，仅使用众包句子级注释来实现。该方法有助于将低质量众包和句子级 PICO 注释转化为可用于快速分配临床试验的结构化信息，并提高临床试验的回收率，减少了系统性回顾的时间。

Sep, 2021

通过研究发现，微任务众包平台能够有效地捕捉 PubMed 文摘中的疾病提及，并通过专家投票方法将多个工作者的注释合并，生成 BioNLP 领域中完全标注的语料库。

Aug, 2014

本研究介绍了 Leaf Clinical Trials（LCT）语料库，它是一个超过 1,000 个临床试验符合性标准描述的人工注释语料库，使用高度细分的结构化标签捕捉一系列生物医学现象。此外，我们还提出了基准信息提取结果，以供未来工作参考。

Jul, 2022

提出了一种基于疾病命名实体识别的 PICO 方法，使用深度学习模型从医学文献中提取出句子并将其分类，并在此基础上识别并分类出 P 和 O，并且通过实验结果展示了该方法可以取得比传统 PICO 提取方法更高的性能和细粒度的提取结果。

Apr, 2020

此研究介绍了 Reddit Health Online Talk (RedHOT)，这是一个包含来自 Reddit 的 22,000 条丰富注释的社交媒体帖子，涵盖 24 种健康状况的语料库。研究人员标注了医疗声明、个人经验和问题的范围，以及在特定声明中标记描述患者人群、干预和结果 (PIO) 元素的​​片段。使用此语料库，研究人员提出了在社交媒体上检索与给定声明相关的可信证据的任务，并提出了一种新方法来自动创建此任务的 (嘈杂的) 具体化。他们使用这种方法来训练一个密集的检索模型，结果表明此模型的性能优于基线模型。经过医生进行的检索结果手动评估表明，虽然该系统的性能很有前途，但仍有很大的改进空间。

Oct, 2022

PICOX 通过识别开始和结束实体的单词，并使用多标签分类器将一个或多个 PICO 标签分配给跨度候选项，从而优于基线方法，在多个数据集上表现出更高的精确度、召回率和 F1 得分，并通过数据增强策略有效地减少了误报，提高了精确度。

Jan, 2024

本文讨论如何利用 NLP 技术快速分析大量的疾病治疗相关的文章，以便于有效地整理出临床试验结果，并希望以此为基础构建出一个比较不同治疗方法的数据库，方便医生进行治疗决策。同时，本文还介绍了一个被称为 Evidence Inference 的公开数据集，该数据集包括了很多描述临床试验的文献，可以用于相关研究。

May, 2020

该研究提供了一个医学信息提取的工程框架，其中包括医疗实体识别、关系提取和属性提取。通过深度学习技术和注释语料库，该系统可以高准确率地提取医学实体、关系和属性。

Mar, 2022