neptun2000/heor-agent-mcp

neptun2000/heor-agent-mcp

от neptun2000
HEORAgent – MCP сервер для фармкомпаний и CRO. Автоматизирует обзор литературы (44 источника), оценку риска смещений, CEA/BIA моделирование и подготовку HTA досье для NICE, EMA, FDA. Упрощает HEOR-...

HEORAgent MCP Server

npm version license node Try in ChatGPT Web UI EU AI Pact AI Transparency

AI-powered Health Economics and Outcomes Research (HEOR) agent as a Model Context Protocol server.

Try it now → HEORAgent on ChatGPT (ChatGPT Plus / Team) · Web UI (Claude, BYOK) · npx heor-agent-mcp for Claude Desktop / Claude Code

Automates literature review across 44 data sources, risk of bias assessment (RoB 2 / ROBINS-I / AMSTAR-2), EQ-5D value set impact estimation, state-of-the-art cost-effectiveness modelling, HTA dossier preparation for NICE / EMA / FDA / IQWiG / HAS / EU JCA, and a persistent project knowledge base — all callable as MCP tools from Claude.ai, Claude Code, and any MCP-compatible host.

Built for pharmaceutical, biotech, CRO, and medical affairs teams who need rigorous, auditable HEOR workflows without building infrastructure from scratch.


First 60 seconds

Verify your install works before wiring it into Claude / Cursor / Continue. Open two terminal tabs:

Tab 1 — start the server in HTTP mode:

MCP_HTTP_PORT=8080 npx heor-agent-mcp@latest

You should see:

epidemiology.extractтолько чтениеидемпотентный

Строит структурированную таблицу эпидемиологических данных (страна × распространенность × заболеваемость × определение × год) на основе строк, извлеченных агентом. Применяет явную иерархию качества источников (IHME GBD/WHO > национальное исследование/регистр > систематический обзор > отдельное наблюдательное исследование) и систему оценки по контрольному списку исследований распространенности Hoy et al. 2012 / JBI. Используйте после literature_search (с literature_search_plan) и screen_abstracts для описательной эпидемиологии - заменяет risk_of_bias для обзоров распространенности/заболеваемости. Передавайте по одной строке на страну/источник; инструмент ранжирует предпочтительные оценки по каждой стране.

Строит структурированную таблицу эпидемиологических данных (страна × распространенность × заболеваемость × определение × год) на основе строк, извлеченных агентом. Применяет явную иерархию качества источников (IHME GBD/WHO > национальное исследование/регистр > систематический обзор > отдельное наблюдательное исследование) и систему оценки по контрольному списку исследований распространенности Hoy et al. 2012 / JBI. Используйте после literature_search (с literature_search_plan) и screen_abstracts для описательной эпидемиологии - заменяет risk_of_bias для обзоров распространенности/заболеваемости. Передавайте по одной строке на страну/источник; инструмент ранжирует предпочтительные оценки по каждой стране.

Параметры

  • rowsobject[]обязательный
  • target_countriesstring[]

    Expected countries (e.g. EU-5 list) — missing countries flagged in output

  • conditionstring
  • output_formatenum
    textjson
evidence.claim_registry

Создавайте утверждения один раз и ссылайтесь на них по ID во всех результатах работы (досье, публикациях, материалах для плательщиков). Утверждение — это единый достоверный источник данных: ICER, оценка эффекта, распространенность — сохраняется в базе знаний проекта. Действия: 'upsert' (создать/обновить утверждение; ID выводится автоматически из утверждения, если не указан), 'list', 'get', 'remove' и 'import' (автоматически регистрирует утверждения из результата инструмента — передайте import_from {source_tool, result} со структурированным выводом models.cost_effectiveness (→ ICER, incremental QALYs, incremental cost) или models.budget_impact (→ net budget impact); реестр заполняется сам, без ручного upsert). Каждое утверждение содержит: numeric_value + value_display + unit + keywords (якоря, используемые evidence.consistency_check для поиска в тексте) + citation + source_tool/run для отслеживания происхождения + status (draft/verified/superseded). Требует существующий проект (project.create). Сочетается с evidence.consistency_check (обнаружение расхождений в документах) и publication.draft (повторное использование утверждений). Значения перечисления нечувствительны к регистру.

Создавайте утверждения один раз и ссылайтесь на них по ID во всех результатах работы (досье, публикациях, материалах для плательщиков). Утверждение — это единый достоверный источник данных: ICER, оценка эффекта, распространенность — сохраняется в базе знаний проекта. Действия: 'upsert' (создать/обновить утверждение; ID выводится автоматически из утверждения, если не указан), 'list', 'get', 'remove' и 'import' (автоматически регистрирует утверждения из результата инструмента — передайте import_from {source_tool, result} со структурированным выводом models.cost_effectiveness (→ ICER, incremental QALYs, incremental cost) или models.budget_impact (→ net budget impact); реестр заполняется сам, без ручного upsert). Каждое утверждение содержит: numeric_value + value_display + unit + keywords (якоря, используемые evidence.consistency_check для поиска в тексте) + citation + source_tool/run для отслеживания происхождения + status (draft/verified/superseded). Требует существующий проект (project.create). Сочетается с evidence.consistency_check (обнаружение расхождений в документах) и publication.draft (повторное использование утверждений). Значения перечисления нечувствительны к регистру.

Параметры

  • project_idstringобязательный
  • actionenumобязательный
    upsertlistgetremoveimport
  • claimobject
  • claim_idstring

    For 'get' / 'remove'.

  • import_fromobject

    For 'import': auto-extract claims from a tool result. source_tool ∈ {models.cost_effectiveness, models.budget_impact}; result = that tool's structured output (the model_results / content object).

  • ai_disclosure_levelenum
    offstandardsubmission
evidence.clinical_scaleтолько чтениеидемпотентный

Оценивает шкалы неврологических и когнитивных исходов (UMSARS/UPDRS/MDS-UPDRS/ADAS-Cog/MoCA/MMSE). Возвращает суммарные баллы и баллы по подшкалам, классификацию респондеров на основе MCID и сравнение траектории с референтными когортами NNIPPS/PPMI/ADNI. Интегрируется с jca_pico_scope для категорий показаний MSA (neurology_msa, orphan Phase 2 2028)/PD (neurology_pd)/AD (neurology_ad).

Оценивает шкалы неврологических и когнитивных исходов (UMSARS/UPDRS/MDS-UPDRS/ADAS-Cog/MoCA/MMSE). Возвращает суммарные баллы и баллы по подшкалам, классификацию респондеров на основе MCID и сравнение траектории с референтными когортами NNIPPS/PPMI/ADNI. Интегрируется с jca_pico_scope для категорий показаний MSA (neurology_msa, orphan Phase 2 2028)/PD (neurology_pd)/AD (neurology_ad).

Параметры

  • scaleenumобязательный

    Clinical outcome scale: umsars | updrs | mds_updrs | adas_cog | moca | mmse

    umsarsupdrsmds_updrsadas_cogmocammse
  • itemsobject[]обязательный

    Per-item scores. Supply all items for complete scoring, or a subset for partial scoring with a note.

  • baseline_itemsobject[]

    Optional: baseline scores for change-from-baseline and responder analysis.

  • compare_cohortenum

    Natural-history reference cohort for trajectory comparison. nnipps=MSA, ppmi=PD, adni=AD.

    nnippsppmiadninone
  • time_point_monthsnumber

    Time point in months from baseline (used for trajectory comparison).

evidence.confounder_expert_templateтолько чтениеидемпотентный

Сгенерируйте руководство для интервью с врачом/пациентом (Pufulete Step 2/3) для «неизмеряемых» факторов, которые литература не может предоставить — предпочтения пациента в лечении, ожидаемая переносимость и т.д. Чистый шаблон (без LLM, без сети). Передайте список confounder_identification's expert_interview_required как `unmeasurable_confounders`. Каждый фактор проверяется по двум критериям смещения (связан с лечением И с исходом), измеримости в доступных данных, наличию заменителей, а также подсказкам для DAG. Возвращает готовый к вставке чеклист Markdown + структурированные survey_items.

Сгенерируйте руководство для интервью с врачом/пациентом (Pufulete Step 2/3) для «неизмеряемых» факторов, которые литература не может предоставить — предпочтения пациента в лечении, ожидаемая переносимость и т.д. Чистый шаблон (без LLM, без сети). Передайте список confounder_identification's expert_interview_required как `unmeasurable_confounders`. Каждый фактор проверяется по двум критериям смещения (связан с лечением И с исходом), измеримости в доступных данных, наличию заменителей, а также подсказкам для DAG. Возвращает готовый к вставке чеклист Markdown + структурированные survey_items.

Параметры

  • interventionstringобязательный
  • comparatorstringобязательный
  • indicationstringобязательный
  • unmeasurable_confoundersstring[]

    Confounders to interview about (e.g. confounder_identification.expert_interview_required). Omit for an indication-aware default set.

  • interviewee_roleenum
    treating_physicianclinical_expertpatient_advocatepayer
  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
evidence.confounder_identificationтолько чтениеидемпотентныйвнешний мир

IQWiG / Pufulete 2022 Step 1: систематически выявляет кандидатные переменные-КОНФАУНДЕРЫ для нерандомизированного сравнения с полным указанием происхождения. DETERMINISTIC - вы (агент) читаете каждую статью из корпуса и передаёте структурированные `candidate_extractions` (variable_name + source_paper_pmid/doi + source_location + verbatim_snippet); инструмент обеспечивает замкнутость корпуса (он НИКОГДА не цитирует статьи вне корпуса), проверяет каждый источник через Crossref/PubMed, удаляет дубликаты и предлагает ПОДСКАЗКИ для консолидации для проверки человеком. Выдаёт блок экспертного интервью для конфаундеров, которые невозможно получить из литературы (предпочтения пациента, переносимость). Результат всегда ЧЕРНОВИК для ручной консолидации - никогда не полный список. Используйте это для идентификации конфаундеров IQWiG/G-BA вместо того, чтобы генерировать списки конфаундеров по памяти.

IQWiG / Pufulete 2022 Step 1: систематически выявляет кандидатные переменные-КОНФАУНДЕРЫ для нерандомизированного сравнения с полным указанием происхождения. DETERMINISTIC - вы (агент) читаете каждую статью из корпуса и передаёте структурированные `candidate_extractions` (variable_name + source_paper_pmid/doi + source_location + verbatim_snippet); инструмент обеспечивает замкнутость корпуса (он НИКОГДА не цитирует статьи вне корпуса), проверяет каждый источник через Crossref/PubMed, удаляет дубликаты и предлагает ПОДСКАЗКИ для консолидации для проверки человеком. Выдаёт блок экспертного интервью для конфаундеров, которые невозможно получить из литературы (предпочтения пациента, переносимость). Результат всегда ЧЕРНОВИК для ручной консолидации - никогда не полный список. Используйте это для идентификации конфаундеров IQWiG/G-BA вместо того, чтобы генерировать списки конфаундеров по памяти.

Параметры

  • interventionstringобязательный

    Intervention, e.g. dimethyl fumarate

  • comparatorstringобязательный

    Comparator, e.g. glatiramer acetate

  • indicationstringобязательный

    Indication, e.g. relapsing-remitting multiple sclerosis

  • populationstring

    Optional population refinement

  • outcomestring

    Optional primary outcome

  • modeenum

    closed_corpus (default): only cite papers you pass in corpus_papers. open_search: the tool runs literature_search + screen_abstracts and freezes the screened set as the corpus.

    closed_corpusopen_search
  • comparison_typeenum

    Analysis context. non_randomized (default) = IQWiG/Pufulete CONFOUNDER identification. anchored_itc = EFFECT-MODIFIER identification for an anchored MAIC/STC (adjust for effect modifiers only; prognostic-only variables flagged out of scope). unanchored_itc = effect modifiers AND prognostic factors (stronger assumption, NICE-sceptical). Per NICE DSU TSD 18. Set the per-candidate `direction` so the tool can classify effect_modifier vs prognostic_factor.

    non_randomizedanchored_itcunanchored_itc
  • corpus_papersobject[]

    The defined corpus (closed_corpus mode). Each paper: {pmid?, doi?, title, year?, abstract?, full_text_sections?}. Pass full_text_sections (from literature_fulltext) so the tool can confirm each candidate's source_location against a real section/table heading.

  • candidate_extractionsobject[]

    Confounder variables YOU extracted from the corpus. Each MUST cite a paper in corpus_papers.

  • project_idstring

    Optional: also load corpus from a project workspace raw/literature store.

  • literature_sourcesstring[]

    Sources for open_search mode (passed to literature_search).

  • runsnumber

    Search runs in open_search mode (1-3, default for stability).

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
evidence.consistency_checkтолько чтениеидемпотентный

Обнаруживает расхождение (дрейф) утверждений о доказательствах между разными документами (HTA-досье, публикация, материалы для плательщиков GVD/AMCP). Загружает утверждения из реестра проекта (project_id) и/или принимает утверждения прямо в тексте, затем сканирует текст каждого переданного документа и отмечает те места, где рядом с ключевыми словами утверждения стоит ДРУГОЕ число (дрейф — например, ICER, который вы обновили в модели, но не в досье), или где утверждение отсутствует. Возвращает матрицу «утверждение × документ», список дрейфующих утверждений и детали по каждому найденному расхождению. Привязка к ключевым словам + числовая проверка: ловит дрейф чисел рядом с ключевыми словами утверждений, а не перефразированные утверждения — результат «обнаружено соответствие» необходим, но недостаточен. Работает вместе с evidence.claim_registry. Чистое обнаружение по переданному пользователем тексту.

Обнаруживает расхождение (дрейф) утверждений о доказательствах между разными документами (HTA-досье, публикация, материалы для плательщиков GVD/AMCP). Загружает утверждения из реестра проекта (project_id) и/или принимает утверждения прямо в тексте, затем сканирует текст каждого переданного документа и отмечает те места, где рядом с ключевыми словами утверждения стоит ДРУГОЕ число (дрейф — например, ICER, который вы обновили в модели, но не в досье), или где утверждение отсутствует. Возвращает матрицу «утверждение × документ», список дрейфующих утверждений и детали по каждому найденному расхождению. Привязка к ключевым словам + числовая проверка: ловит дрейф чисел рядом с ключевыми словами утверждений, а не перефразированные утверждения — результат «обнаружено соответствие» необходим, но недостаточен. Работает вместе с evidence.claim_registry. Чистое обнаружение по переданному пользователем тексту.

Параметры

  • project_idstring

    Load claims from this project's registry. Optional if inline claims are supplied.

  • claimsobject[]

    Inline claims (override registry claims with the same id).

  • claim_idsstring[]

    Optional: restrict the check to these claim ids.

  • deliverablesobject[]обязательный

    Documents to check, each a {name, text}.

  • ai_disclosure_levelenum
    offstandardsubmission
evidence.gap_analysisтолько чтениеидемпотентный

Создаёт интегрированный план генерации доказательств (iEGP). Оценивает базу доказательств по доменам HEOR (epidemiology, disease_burden, clinical_efficacy, comparative_effectiveness, safety, economic_cea, budget_impact, hrqol_utilities, adherence, unmet_need, patient_experience) — каждый со статусом (robust/limited/absent/discordant) — и инструмент возвращает пробелы, рекомендуемую активность для генерации данных по каждому пробелу, инструмент, который её реализует, результат, который она разблокирует, и план с приоритетом по серьёзности (пробелы в критически важных для принятия решений доменах в выбранном контексте получают повышенный приоритет). Опционально можно включить discordant_outcomes / single_source_outcomes из evidence.triangulation. Возвращает показатель готовности (% доменов со статусом robust) и приоритезированный план закрытия пробелов. Используйте после прохода SLR/триангуляции, чтобы решить, какие данные генерировать дальше, и для наполнения результата iEGP. Сочетается с rwe.method_select (как заполнить пробел) и workflow.living_evidence (сквозной процесс). Чистая логика; значения перечислений регистронезависимы.

Создаёт интегрированный план генерации доказательств (iEGP). Оценивает базу доказательств по доменам HEOR (epidemiology, disease_burden, clinical_efficacy, comparative_effectiveness, safety, economic_cea, budget_impact, hrqol_utilities, adherence, unmet_need, patient_experience) — каждый со статусом (robust/limited/absent/discordant) — и инструмент возвращает пробелы, рекомендуемую активность для генерации данных по каждому пробелу, инструмент, который её реализует, результат, который она разблокирует, и план с приоритетом по серьёзности (пробелы в критически важных для принятия решений доменах в выбранном контексте получают повышенный приоритет). Опционально можно включить discordant_outcomes / single_source_outcomes из evidence.triangulation. Возвращает показатель готовности (% доменов со статусом robust) и приоритезированный план закрытия пробелов. Используйте после прохода SLR/триангуляции, чтобы решить, какие данные генерировать дальше, и для наполнения результата iEGP. Сочетается с rwe.method_select (как заполнить пробел) и workflow.living_evidence (сквозной процесс). Чистая логика; значения перечислений регистронезависимы.

Параметры

  • interventionstringобязательный
  • indicationstringобязательный
  • decision_contextenum
    hta_payerjcaregulatorymarket_accessinternal
  • domainsobject[]обязательный

    Evidence-base state per domain.

  • discordant_outcomesstring[]

    Outcomes flagged discordant by evidence.triangulation.

  • single_source_outcomesstring[]

    Outcomes with only RCT or only RWE evidence.

  • ai_disclosure_levelenum
    offstandardsubmission
evidence.indirectтолько чтениеидемпотентный

Вычисляет косвенные сравнения лечения методом Бюхера (один общий компаратор) или частотным сетевым мета-анализом (полная сеть). Требует от пользователя значений эффекта (точечная оценка + 95% ДИ) из опубликованных испытаний. Поддерживает MD, OR, RR, HR. Автоматически выбирает метод по структуре сети. Когда в сети есть и прямые данные A против C, автоматически проверяет гипотезу согласованности Бюхера (z = (прямая − косвенная) / SE_diff) по NICE DSU TSD 18 / Cochrane 11.4.3 — помечает |z|≥1,96 как «существенная несогласованность», чтобы агент мог предупредить пользователя, прежде чем опираться на косвенную оценку.

Вычисляет косвенные сравнения лечения методом Бюхера (один общий компаратор) или частотным сетевым мета-анализом (полная сеть). Требует от пользователя значений эффекта (точечная оценка + 95% ДИ) из опубликованных испытаний. Поддерживает MD, OR, RR, HR. Автоматически выбирает метод по структуре сети. Когда в сети есть и прямые данные A против C, автоматически проверяет гипотезу согласованности Бюхера (z = (прямая − косвенная) / SE_diff) по NICE DSU TSD 18 / Cochrane 11.4.3 — помечает |z|≥1,96 как «существенная несогласованность», чтобы агент мог предупредить пользователя, прежде чем опираться на косвенную оценку.

Параметры

  • comparisonsobject[]обязательный

    Direct comparisons with effect sizes. Need at least 2 sharing a common comparator. Ask the user for: point estimate, 95% CI, outcome name, and effect measure (MD/OR/RR/HR) from each trial.

  • targetobject

    Optional: specific comparison to compute. Omit to compute all possible pairwise comparisons.

  • methodenum

    auto (default): Bucher for simple paths, Frequentist NMA for 3+ edges. Or force a specific method.

    autobucherfrequentist_nma
  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

evidence.itcтолько чтениеидемпотентный

Оцените выполнимость косвенного сравнения методов лечения (ITC), последовательно проходя три ключевых допущения (обмениваемость, однородность, согласованность), и порекомендуйте подходящий метод: прямое сравнение, Bucher, полный NMA, привязное MAIC/STC, непривязное MAIC/STC, ML-NMR, NMR/мета-регрессия подгрупп или невыполнимо. Ссылается на Cope 2014 (BMC Med), NICE DSU TSD 18 (Phillippo), Signorovitch 2023 (J Dermatol Treatment) и Cochrane Handbook, главы 10-11. Используйте это ДО запуска evidence.indirect или evidence.population_adjusted, чтобы выбрать подходящий метод.

Оцените выполнимость косвенного сравнения методов лечения (ITC), последовательно проходя три ключевых допущения (обмениваемость, однородность, согласованность), и порекомендуйте подходящий метод: прямое сравнение, Bucher, полный NMA, привязное MAIC/STC, непривязное MAIC/STC, ML-NMR, NMR/мета-регрессия подгрупп или невыполнимо. Ссылается на Cope 2014 (BMC Med), NICE DSU TSD 18 (Phillippo), Signorovitch 2023 (J Dermatol Treatment) и Cochrane Handbook, главы 10-11. Используйте это ДО запуска evidence.indirect или evidence.population_adjusted, чтобы выбрать подходящий метод.

Параметры

  • connected_networkbooleanобязательный

    True if there is a connected evidence network linking the treatments of interest via at least one common comparator.

  • h2h_availableboolean

    True if at least one head-to-head RCT compares the treatments directly. Default false.

  • ipd_available_for_interventionboolean

    True if individual patient data (IPD) are available from the sponsor's trial. Default false.

  • effect_modifiers_identifiedboolean

    True if effect modifiers have been identified through clinical input or literature review. Default false.

  • effect_modifier_imbalanceenum

    Severity of imbalance in identified effect modifiers across trial populations. Default 'unknown'.

    noneminormajorunknown
  • heterogeneity_i2_pctnumber

    Optional: I² statistic (%) across studies of the same comparison. If absent, homogeneity is assessed qualitatively.

  • n_studies_per_comparisonnumber

    Optional: minimum number of studies per pairwise comparison. Informs choice between Bucher (k=1) and NMA (k≥2).

  • subgroup_data_availableboolean

    True if subgroup data are available in comparator trials for adjustment. Default false.

  • outcome_typeenum

    Primary outcome type — guides estimator recommendations.

    binarycontinuoustime_to_event
  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

evidence.networkтолько чтениеидемпотентный

Анализирует результаты поиска литературы для построения карты сети доказательств. Извлекает пары вмешательство-сравнение из заголовков и рефератов, строит сеть сравнения лечения и оценивает выполнимость NMA (сетевого мета-анализа). Передайте массив результатов из предыдущего вызова literature.search.

Анализирует результаты поиска литературы для построения карты сети доказательств. Извлекает пары вмешательство-сравнение из заголовков и рефератов, строит сеть сравнения лечения и оценивает выполнимость NMA (сетевого мета-анализа). Передайте массив результатов из предыдущего вызова literature.search.

Параметры

  • resultsobject[]обязательный

    Array of LiteratureResult objects from a prior literature.search call (use output_format='json')

  • querystring

    Original search query (optional, for context)

evidence.population_adjustedтолько чтениеидемпотентный

⚠️ ЭКСПЕРИМЕНТАЛЬНО / только для ориентировки. Приблизительное косвенное сравнение с поправкой на популяцию на основе сводной статистики (среднее, SD по каждой ковариате). Настоящий MAIC/STC по NICE DSU TSD 18 требует индивидуальных данных пациентов (IPD) для одного испытания. Этот инструмент завышает SE косвенного сравнения Бюхера на основе дисбаланса ковариат (штраф ESS в стиле MAIC) и применяет простую линейную корректировку на основе стандартизированных средних различий (в стиле STC). Точечные оценки следует считать приблизительными — не готовыми к подаче. Для окончательного анализа используйте IPD с регрессионной моделью исходов.

⚠️ ЭКСПЕРИМЕНТАЛЬНО / только для ориентировки. Приблизительное косвенное сравнение с поправкой на популяцию на основе сводной статистики (среднее, SD по каждой ковариате). Настоящий MAIC/STC по NICE DSU TSD 18 требует индивидуальных данных пациентов (IPD) для одного испытания. Этот инструмент завышает SE косвенного сравнения Бюхера на основе дисбаланса ковариат (штраф ESS в стиле MAIC) и применяет простую линейную корректировку на основе стандартизированных средних различий (в стиле STC). Точечные оценки следует считать приблизительными — не готовыми к подаче. Для окончательного анализа используйте IPD с регрессионной моделью исходов.

Параметры

  • index_trialobjectобязательный

    Trial with data to be reweighted (the trial for which you want to adjust)

  • target_trialobjectобязательный

    Trial whose population is the matching target

  • effect_modifiersstring[]обязательный

    Names of covariates that are effect modifiers (must appear in both trials' covariates)

  • methodenum

    auto (default): MAIC when >=2 modifiers and N>=50, else STC

    automaicstc
  • outcome_namestring

    Name of the outcome being compared (e.g., 'HbA1c change')

  • output_formatenum
    textjson
  • projectstring

    Project ID for persistence

  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

evidence.risk_of_biasтолько чтениеидемпотентный

Оценивает риск систематической ошибки для набора исследований с помощью соответствующего инструмента Cochrane: RoB 2 (РКИ), ROBINS-I (обсервационные исследования) или AMSTAR-2 (систематические обзоры/мета-анализы). Инструмент определяется автоматически на основе study_type или может быть задан явно. Суждения выводятся из текста аннотации — домены с недостаточным описанием помечаются как Unclear. Возвращает таблицу по каждому исследованию и объект rob_results для передачи в hta_dossier_prep для последующей GRADE-оценки на основе доказательств. Параметр `studies` принимает как один объект, так и массив; одиночные значения автоматически оборачиваются в массив. Значения enum нечувствительны к регистру — `"RoB2"`/`"rob2"`, `"AUTO"`/`"auto"` — всё сработает.

Оценивает риск систематической ошибки для набора исследований с помощью соответствующего инструмента Cochrane: RoB 2 (РКИ), ROBINS-I (обсервационные исследования) или AMSTAR-2 (систематические обзоры/мета-анализы). Инструмент определяется автоматически на основе study_type или может быть задан явно. Суждения выводятся из текста аннотации — домены с недостаточным описанием помечаются как Unclear. Возвращает таблицу по каждому исследованию и объект rob_results для передачи в hta_dossier_prep для последующей GRADE-оценки на основе доказательств. Параметр `studies` принимает как один объект, так и массив; одиночные значения автоматически оборачиваются в массив. Значения enum нечувствительны к регистру — `"RoB2"`/`"rob2"`, `"AUTO"`/`"auto"` — всё сработает.

Параметры

  • studiesobject[]обязательный

    Array of study objects from screen_abstracts or literature_search (output_format='json')

  • instrumentenum

    Assessment instrument. auto (default) detects from study_type. rob2 for RCTs, robins_i for observational, amstar2 for systematic reviews.

    autorob2robins_iamstar2
  • outcomesstring[]

    Outcomes of interest for contextual domain assessment (optional)

  • output_formatenum
    textjson
evidence.survivalтолько чтениеидемпотентный

Подгоняет параметрические распределения выживаемости (экспоненциальное, Вейбулла, логистическое, логнормальное, Гомпертца) к данным о времени до события на уровне пациентов (предпочтительный вариант — точное цензурированное ММП по Collett 2015 / NICE DSU TSD 14) либо к суммарным ступенчатым данным Каплана-Мейера (устаревшая аппроксимация, используется, когда доступна только оцифрованная кривая КМ из публикации). Возвращает таблицу сравнения моделей по AIC/BIC и таблицу экстраполяции. Укажите РОВНО ОДИН из параметров: `event_data` (строки на уровне пациентов) или `km_data` (таблица КМ).

Подгоняет параметрические распределения выживаемости (экспоненциальное, Вейбулла, логистическое, логнормальное, Гомпертца) к данным о времени до события на уровне пациентов (предпочтительный вариант — точное цензурированное ММП по Collett 2015 / NICE DSU TSD 14) либо к суммарным ступенчатым данным Каплана-Мейера (устаревшая аппроксимация, используется, когда доступна только оцифрованная кривая КМ из публикации). Возвращает таблицу сравнения моделей по AIC/BIC и таблицу экстраполяции. Укажите РОВНО ОДИН из параметров: `event_data` (строки на уровне пациентов) или `km_data` (таблица КМ).

Параметры

  • event_dataobject[]

    Patient-level event-time rows (PREFERRED — true MLE per NICE DSU TSD 14). Each row: { time, event } where event=1 for an observed event, event=0 for right-censoring. At least 5 rows required.

  • km_dataobject[]

    Kaplan-Meier step-summary data points (LEGACY approximation; use event_data when patient-level data is available). At least 3 required. Extract from published KM curves or trial reports.

  • time_unitenum

    Time unit for KM data (default: months)

    monthsyears
  • endpointstring

    Endpoint name (e.g., 'OS', 'PFS', 'DFS'). Default: 'OS'.

  • output_formatenum
    textjson
  • projectstring

    Project ID for persistence

  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default (model/tools/sources/date + human-review reminder); "submission" = adds ISPOR ELEVATE-GenAI citation. Default is tool-specific.

    offstandardsubmission
evidence.triangulationтолько чтениеидемпотентный

Триангулирует данные РКИ и реальной клинической практики по каждому исходу. Для каждого исхода предоставляется: что показывают рандомизированные испытания (rct) и что — данные реального мира (rwe) — каждое как направление пользы (favors: intervention/comparator/no_difference) плюс опциональная точечная оценка + мера. Инструмент классифицирует согласованность (concordant / discordant / partial / single-source), а когда обе базы дают оценку по ОДНОЙ И ТОЙ ЖЕ мере — больше ли эффект в реальной практике (LARGER: долгосрочное применение, широкие гетерогенные популяции) или меньше (SMALLER: разрыв эффективность–результативность), с нормализацией знака по benefit_direction, так что 'larger' всегда означает большую пользу. Возвращает таблицу согласованности по исходам, ключевое сообщение по каждому исходу, общее утверждение о триангуляции и сводку согласованности. Используйте, чтобы собрать раздел досье «литературный обзор РКИ и РКП — ключевое сообщение по каждому релевантному исходу» или проверить, подтверждают ли данные реальной практики эффективность по данным испытаний перед подачей. РКП рассматривается как дополнение к РКИ, а не замена. Чистая логика, без внешних вызовов; значения перечислений регистронезависимы.

Триангулирует данные РКИ и реальной клинической практики по каждому исходу. Для каждого исхода предоставляется: что показывают рандомизированные испытания (rct) и что — данные реального мира (rwe) — каждое как направление пользы (favors: intervention/comparator/no_difference) плюс опциональная точечная оценка + мера. Инструмент классифицирует согласованность (concordant / discordant / partial / single-source), а когда обе базы дают оценку по ОДНОЙ И ТОЙ ЖЕ мере — больше ли эффект в реальной практике (LARGER: долгосрочное применение, широкие гетерогенные популяции) или меньше (SMALLER: разрыв эффективность–результативность), с нормализацией знака по benefit_direction, так что 'larger' всегда означает большую пользу. Возвращает таблицу согласованности по исходам, ключевое сообщение по каждому исходу, общее утверждение о триангуляции и сводку согласованности. Используйте, чтобы собрать раздел досье «литературный обзор РКИ и РКП — ключевое сообщение по каждому релевантному исходу» или проверить, подтверждают ли данные реальной практики эффективность по данным испытаний перед подачей. РКП рассматривается как дополнение к РКИ, а не замена. Чистая логика, без внешних вызовов; значения перечислений регистронезависимы.

Параметры

  • interventionstringобязательный
  • indicationstringобязательный
  • magnitude_tolerancenumber

    Relative tolerance for calling two effect estimates 'similar' (0.15 = within 15%).

  • outcomesobject[]обязательный
  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default; "submission" = adds ISPOR ELEVATE-GenAI citation.

    offstandardsubmission
evidence.unmet_needтолько чтениеидемпотентный

Генерирует структурированную секцию unmet need для досье HTA (NICE STA, EMA, FDA, IQWiG, HAS, JCA, GVD, AMCP). Только потребление: сначала извлекает данные с помощью literature_search, затем передаёт только цитируемые факты по четырём измерениям HEOR — бремя болезни, ландшафт лечения, влияние на качество жизни, экономическое бремя. По умолчанию (auto_check_regulatory=true) автоматически проверяет текущий регуляторный статус компараторов в treatment_landscape.current_soc через базы первичных источников (OpenFDA/EMA EPI) и вставляет дословные цитаты из инструкций с автонумерованными ссылками. Корректно обрабатывает ошибки API — никогда не блокирует вывод досье. Установите auto_check_regulatory:false, чтобы пропустить. Создаёт стандартизированную markdown-секцию плюс один абзац unmet_need_summary для последующих инструментов. Передайте unmet_need_summary в hta_dossier(unmet_need_summary:...), чтобы предзаполнить NICE Section B (unmet need) или GVD Section 4. Лог дизайна #23 + #26.

Генерирует структурированную секцию unmet need для досье HTA (NICE STA, EMA, FDA, IQWiG, HAS, JCA, GVD, AMCP). Только потребление: сначала извлекает данные с помощью literature_search, затем передаёт только цитируемые факты по четырём измерениям HEOR — бремя болезни, ландшафт лечения, влияние на качество жизни, экономическое бремя. По умолчанию (auto_check_regulatory=true) автоматически проверяет текущий регуляторный статус компараторов в treatment_landscape.current_soc через базы первичных источников (OpenFDA/EMA EPI) и вставляет дословные цитаты из инструкций с автонумерованными ссылками. Корректно обрабатывает ошибки API — никогда не блокирует вывод досье. Установите auto_check_regulatory:false, чтобы пропустить. Создаёт стандартизированную markdown-секцию плюс один абзац unmet_need_summary для последующих инструментов. Передайте unmet_need_summary в hta_dossier(unmet_need_summary:...), чтобы предзаполнить NICE Section B (unmet need) или GVD Section 4. Лог дизайна #23 + #26.

Параметры

  • drugstringобязательный

    Drug or intervention name

  • indicationstringобязательный

    Disease/condition being treated

  • jurisdictionsstring[]обязательный

    Target market(s) for this unmet need assessment

  • disease_burdenobject

    Epidemiology data for the indication

  • treatment_landscapeobject

    Current standard of care and its limitations. Use only evidence retrieved by literature_search or other audited sources. Regulatory/approval claims require current label/regulatory citation support; if not confirmed, leave out rather than infer.

  • qol_impactobject

    Patient-reported and health-related quality of life impact

  • economic_burdenobject

    Direct and indirect economic burden of the disease

  • literature_evidenceobject[]

    Optional: pass literature_search results here to include as supporting evidence

  • auto_check_regulatoryboolean

    When true (default), automatically fans out regulatory.status_check for each drug in treatment_landscape.current_soc × inferred regions. Injects verbatim label quotes inline with auto-numbered citations. Set false to skip (pre-v1.10.1 behaviour). Design log #26.

examplesтолько чтениеидемпотентный

Получите предварительно заполненный, готовый к копированию JSON-ввод для любого из инструментов с большой схемой (cost_effectiveness_model, budget_impact_model, survival_fitting, population_adjusted_comparison, evidence_indirect). Используйте, когда хотите продемонстрировать инструмент, но не хотите придумывать входные данные с нуля - пример можно редактировать, чтобы подправить названия вмешательств, затраты, популяции и т.д. перед вызовом самого инструмента.

Получите предварительно заполненный, готовый к копированию JSON-ввод для любого из инструментов с большой схемой (cost_effectiveness_model, budget_impact_model, survival_fitting, population_adjusted_comparison, evidence_indirect). Используйте, когда хотите продемонстрировать инструмент, но не хотите придумывать входные данные с нуля - пример можно редактировать, чтобы подправить названия вмешательств, затраты, популяции и т.д. перед вызовом самого инструмента.

Параметры

  • toolenum

    Which tool to get an example for. Omit to list all available examples.

    cost_effectiveness_modelbudget_impact_modelsurvival_fittingpopulation_adjusted_comparisonevidence_indirectconfounder_identification
governance.self_checkтолько чтениеидемпотентный

Оценивает AI-ассистированный рабочий процесс HTA/HEOR по 6 аспектам управления (прозрачность, проверка цитирования, контроль человека, обработка PHI/данных, предвзятость и справедливость, аудируемость), каждый из которых привязан к проверенным доменам отчетности ELEVATE-GenAI (ISPOR Working Group on Generative AI, Value in Health 2025). Два режима: 'describe' (описание рабочего процесса в свободной форме + структурированные запросы - пустой запрос получает оценку 'insufficient', никогда не 'pass') и 'audit_record' (передать предыдущий HEORAgent AuditRecord для автоматического вывода прозрачности/цитирования/аудируемости). Возвращает оценочную карту Red/Amber/Green/Insufficient, вердикт, зависящий от варианта использования ('любой Red блокирует готовность к отправке'), индивидуальные меры по смягчению, сводку governance_summary для передачи и блок раскрытия ELEVATE. Только подмножество управления - не оценивает домены оценки модели ELEVATE (устойчивость, калибровка, развертывание/эффективность). Дизайн-лог #34.

Оценивает AI-ассистированный рабочий процесс HTA/HEOR по 6 аспектам управления (прозрачность, проверка цитирования, контроль человека, обработка PHI/данных, предвзятость и справедливость, аудируемость), каждый из которых привязан к проверенным доменам отчетности ELEVATE-GenAI (ISPOR Working Group on Generative AI, Value in Health 2025). Два режима: 'describe' (описание рабочего процесса в свободной форме + структурированные запросы - пустой запрос получает оценку 'insufficient', никогда не 'pass') и 'audit_record' (передать предыдущий HEORAgent AuditRecord для автоматического вывода прозрачности/цитирования/аудируемости). Возвращает оценочную карту Red/Amber/Green/Insufficient, вердикт, зависящий от варианта использования ('любой Red блокирует готовность к отправке'), индивидуальные меры по смягчению, сводку governance_summary для передачи и блок раскрытия ELEVATE. Только подмножество управления - не оценивает домены оценки модели ELEVATE (устойчивость, калибровка, развертывание/эффективность). Дизайн-лог #34.

Параметры

  • modeenum

    'describe' = score a workflow_description + probes; 'audit_record' = auto-derive from a HEORAgent AuditRecord.

    describeaudit_record
  • workflow_descriptionstring

    Free-text description of the AI-assisted workflow: what the AI does and where its output goes.

  • contextobject
  • probesobject

    One probe per dimension. Each is {answer: 'yes'|'no'|'partial'|null, detail?}. Omit or null → scored 'insufficient' (never a pass).

  • audit_recordobject

    A prior HEORAgent AuditRecord (audit_record mode). Auto-derives transparency/citation/auditability.

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
hta.dossierтолько чтениеидемпотентный

Структурирует доказательства в формат подачи заявки для конкретного органа HTA (NICE STA, EMA, FDA, IQWiG, HAS, EU JCA или Global Value Dossier). Создает черновики разделов с анализом пробелов и таблицами качества доказательств auto-GRADE. Принимает выходные данные от literature.search и models.cost_effectiveness. Значения перечисления не чувствительны к регистру — `"NICE"`/`"nice"`, `"STA"`/`"sta"` и т.д. — все работают.

Структурирует доказательства в формат подачи заявки для конкретного органа HTA (NICE STA, EMA, FDA, IQWiG, HAS, EU JCA или Global Value Dossier). Создает черновики разделов с анализом пробелов и таблицами качества доказательств auto-GRADE. Принимает выходные данные от literature.search и models.cost_effectiveness. Значения перечисления не чувствительны к регистру — `"NICE"`/`"nice"`, `"STA"`/`"sta"` и т.д. — все работают.

Параметры

  • hta_bodyenumобязательный

    HTA body/dossier format. 'nice'=UK NICE STA; 'ema'=EMA CTD; 'fda'=FDA prescribing info; 'iqwig'=Germany AMNOG; 'has'=France transparency committee; 'jca'=EU Joint Clinical Assessment (Reg. 2021/2282); 'gvd'=Global Value Dossier (cross-market foundational document).

    niceemafdaiqwighasjcagvd
  • submission_typeenumобязательный

    Submission type. 'sta'/'mta' for NICE; 'initial'/'renewal'/'variation' for JCA; 'early_access' for accelerated pathways.

    stamtaearly_accessinitialrenewalvariation
  • drug_namestringобязательный

    Generic or brand name of the drug/intervention.

  • indicationstringобязательный

    Disease or condition being treated (e.g., 'type 2 diabetes', 'non-small cell lung cancer').

  • evidence_summaryany

    Clinical evidence input. Accepts: a text summary string, OR a JSON array of LiteratureResult objects from literature.search (use output_format='json'). When passed as array, auto-generates a GRADE evidence quality table.

  • model_resultsany

    JSON output from models.cost_effectiveness — used to populate the Economic Evidence Summary section.

  • picosobject[]

    JCA-specific: list of PICOs from the scoping decision. Each PICO generates its own dossier section. If omitted, a default single PICO is generated.

  • output_formatenum

    Output format. 'text' returns markdown; 'json' returns structured sections; 'docx' generates a Word document and saves to disk.

    textjsondocx
  • projectstring

    Project ID for knowledge base persistence. When set, dossier draft is saved to ~/.heor-agent/projects/{project}/raw/dossiers/

  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

  • rob_resultsany

    Output from the evidence.risk_of_bias tool. When provided, the GRADE Risk of Bias domain uses the structured judgment (rob_judgment, downgrade, rationale) instead of a heuristic estimate.

  • unmet_need_summarystring

    Optional: 1-paragraph unmet need synthesis from the evidence.unmet_need tool. Pipe evidence.unmet_need result.unmet_need_summary here. Prepended to the Unmet Need section for NICE (Section B) and GVD (Section 4).

  • confounder_sectionstring

    Optional: the markdown_report from confounder_identification (IQWiG Pufulete Step 1). Rendered verbatim as an 'Annex: Confounder Identification' before the gap analysis. Design log #43.

  • heterogeneity_per_outcomeobject

    Optional: I² and study count per outcome (from evidence_indirect tool). When provided, GRADE inconsistency is computed from I² instead of heuristic. Example: { 'overall survival': { i_squared_pct: 45, n_studies: 6 } }

  • upgrading_per_outcomeobject

    Optional: GRADE upgrading flags per outcome for observational evidence (Guyatt 2011). Keys are outcome names; values specify large_effect ('none'/'large'/'very_large'), dose_response (boolean), and plausible_confounding_toward_null (boolean). Ignored for RCT evidence. Capped at +2 steps.

  • severity_modifierobject

    NICE PMG36 severity modifier inputs (replaced end-of-life modifier, April 2022). Provide absolute_qaly_shortfall (years) and/or proportional_qaly_shortfall (0-1). Modifier weight: <12 absolute AND <0.85 proportional → 1.0×; 12-18 or 0.85-0.95 → 1.2×; ≥18 or ≥0.95 → 1.7×.

  • health_inequalitiesobject

    Health inequalities evidence per NICE PMG36 May 2025 modular update. Required by NICE for interventions affecting disadvantaged groups. intervention_impact: 'narrows'/'neutral'/'widens'/'unknown'.

  • pv_classificationobject

    Optional: structured PV classification from the pv_classify tool. When provided, the dossier includes a Pharmacovigilance Plan section with GVP module, ENCePP template, submission obligations, and RMP implications. Pipe pv_classify output here.

  • regulatory_landscapeobject[]

    Optional: array of RegulatoryStatusResult objects from regulatory.status_check (via hta_workflow Phase 3.6). When provided and hta_body in {nice, jca, gvd}, renders a Regulatory Landscape section with a comparator × region × status table. Design log #26.

  • mfn_contextobject

    Optional MFN pricing context. When basket_prices is supplied and hta_body is one of {nice, ema, fda, iqwig, has, jca, gvd}, renders an MFN Exposure section with ceiling math and gap-to-US analysis. Design log #27.

  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default (model/tools/sources/date + human-review reminder); "submission" = adds ISPOR ELEVATE-GenAI citation. Default is tool-specific.

    offstandardsubmission
hta.gba_ppddтолько чтениевнешний мир

Верифицируемый PPDD-движок для оценки выгоды немецкого G-BA (AMNOG). Собирает пакет Peers / Precedent / Drift / Delta для класса препаратов + показание, где каждый факт имеет тег происхождения: peers берутся только из отобранной, проверенной базы прецедентов G-BA (или из цитирований агента, проверенных через verify_citations); всё, что не удаётся проверить, помечается как `unknown`, НИКОГДА не выдумывается. Пересчитывает релевантность peers для каждого кандидата zVT (подходящий компаратор) — это главный риск AMNOG. Детерминированный (без LLM). Питает hta_review_simulation и виртуальную панель G-BA. ВЫ (агент) передаёте peer_drugs (члены класса) и candidate_facts с цитированиями — инструмент отслеживает происхождение. Лог разработки #49.

Верифицируемый PPDD-движок для оценки выгоды немецкого G-BA (AMNOG). Собирает пакет Peers / Precedent / Drift / Delta для класса препаратов + показание, где каждый факт имеет тег происхождения: peers берутся только из отобранной, проверенной базы прецедентов G-BA (или из цитирований агента, проверенных через verify_citations); всё, что не удаётся проверить, помечается как `unknown`, НИКОГДА не выдумывается. Пересчитывает релевантность peers для каждого кандидата zVT (подходящий компаратор) — это главный риск AMNOG. Детерминированный (без LLM). Питает hta_review_simulation и виртуальную панель G-BA. ВЫ (агент) передаёте peer_drugs (члены класса) и candidate_facts с цитированиями — инструмент отслеживает происхождение. Лог разработки #49.

Параметры

  • drugstringобязательный

    Assessed drug (generic).

  • indicationstringобязательный

    Indication, e.g. 'plaque psoriasis'.

  • drug_classstring

    Drug class, e.g. 'IL-17 inhibitor'.

  • peer_drugsstring[]

    Class members to look up as peers in the G-BA precedent KB (each returns its rating + zVT, or `unknown`).

  • line_of_therapystring

    e.g. '2L after anti-TNF'.

  • zvt_candidatesobject[]

    Candidate appropriate comparators (zVT) to run as scenarios.

  • candidate_factsobject[]

    Agent-extracted Peers/Precedent/Drift/Delta facts, each with a citation (doi/pmid/url). Verified via verify_citations; unverified facts are labelled, not asserted.

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
hta.living_gvd

Поддерживает живое глобальное досье (Living Global Value Dossier) как артефакт с поддержкой сравнения, чтобы при обновлении пересоздавались только те секции, значения которых изменились, а не всё GVD. Действия: 'snapshot' (снимок) — записывает, какие утверждения из реестра используются для каждой секции GVD (передай sections [{name, claim_ids}]), фиксируя текущее значение каждого утверждения как базовое; и 'refresh' (обновление) — сравнивает снимок с живым реестром утверждений и возвращает список устаревших секций для пересоздания, со старыми→новыми значениями по каждому утверждению. Строится на evidence.claim_registry (единственный источник истины) и работает вместе с workflow.living_evidence (которая вызывает этот инструмент на каждом цикле живого обновления). Сравнение по значению (погрешность 0,5% / точное совпадение), а также отмечает секции, у которых утверждения были удалены или заменены. Требует существующего проекта. Этот инструмент вычисляет разницу и список регенерации; сама регенерация выполняется hta.dossier. Значения перечислений без учёта регистра.

Поддерживает живое глобальное досье (Living Global Value Dossier) как артефакт с поддержкой сравнения, чтобы при обновлении пересоздавались только те секции, значения которых изменились, а не всё GVD. Действия: 'snapshot' (снимок) — записывает, какие утверждения из реестра используются для каждой секции GVD (передай sections [{name, claim_ids}]), фиксируя текущее значение каждого утверждения как базовое; и 'refresh' (обновление) — сравнивает снимок с живым реестром утверждений и возвращает список устаревших секций для пересоздания, со старыми→новыми значениями по каждому утверждению. Строится на evidence.claim_registry (единственный источник истины) и работает вместе с workflow.living_evidence (которая вызывает этот инструмент на каждом цикле живого обновления). Сравнение по значению (погрешность 0,5% / точное совпадение), а также отмечает секции, у которых утверждения были удалены или заменены. Требует существующего проекта. Этот инструмент вычисляет разницу и список регенерации; сама регенерация выполняется hta.dossier. Значения перечислений без учёта регистра.

Параметры

  • project_idstringобязательный
  • actionenumобязательный
    snapshotrefresh
  • sectionsobject[]

    For 'snapshot': the GVD sections and the claim ids each is built from.

  • ai_disclosure_levelenum
    offstandardsubmission
hta.panel_simulationтолько чтениевнешний мир

Симулятор виртуальной институциональной панели HTA. hta_body='gba' (по умолчанию): точный состав слушания G-BA §35a (mündliche Anhörung) — IQWiG/биостатистик, G-BA/GKV-SV оценщик, KOL/клинический эксперт, представитель пациентов. hta_body='nice': статистик/техническая команда/клинический эксперт/эксперт по пациентам NICE EAG. hta_body='eu_jca': JCA оценщик/со-оценщик/объём PICO государства-члена (требуется drug_class). hta_body='us_payer': медицинский директор/фармакоэкономист плательщика. Каждое место тонко оборачивает существующий детерминированный инструмент HEORAgent вокруг ОДНОГО общего, проверенного по цитированиям пакета доказательств (передайте вывод hta.gba_ppdd как ppdd_pack для тела gba). Обсуждает ценность/доказательства/объём компаратора/доступ — НИКОГДА не клиническую рекомендацию по лечению (это обеспечивается защитой MLR, которая переписывает любые формулировки «рекомендовать/предпочесть/выбрать X вместо Y»). Повторно запускает чувствительные к компаратору места для каждого кандидата zVT (подходящий компаратор) через zvt_scenarios. Опциональный пакетный режим question_set распределяет ожидаемые вопросы досье по соответствующим местам. Детерминированный (без LLM). Каждый артефакт несёт баннер SYNTHETIC-симуляции и требует проверки человеком перед использованием в представлении. Дизайн-лог #50.

Симулятор виртуальной институциональной панели HTA. hta_body='gba' (по умолчанию): точный состав слушания G-BA §35a (mündliche Anhörung) — IQWiG/биостатистик, G-BA/GKV-SV оценщик, KOL/клинический эксперт, представитель пациентов. hta_body='nice': статистик/техническая команда/клинический эксперт/эксперт по пациентам NICE EAG. hta_body='eu_jca': JCA оценщик/со-оценщик/объём PICO государства-члена (требуется drug_class). hta_body='us_payer': медицинский директор/фармакоэкономист плательщика. Каждое место тонко оборачивает существующий детерминированный инструмент HEORAgent вокруг ОДНОГО общего, проверенного по цитированиям пакета доказательств (передайте вывод hta.gba_ppdd как ppdd_pack для тела gba). Обсуждает ценность/доказательства/объём компаратора/доступ — НИКОГДА не клиническую рекомендацию по лечению (это обеспечивается защитой MLR, которая переписывает любые формулировки «рекомендовать/предпочесть/выбрать X вместо Y»). Повторно запускает чувствительные к компаратору места для каждого кандидата zVT (подходящий компаратор) через zvt_scenarios. Опциональный пакетный режим question_set распределяет ожидаемые вопросы досье по соответствующим местам. Детерминированный (без LLM). Каждый артефакт несёт баннер SYNTHETIC-симуляции и требует проверки человеком перед использованием в представлении. Дизайн-лог #50.

Параметры

  • hta_bodyenum

    HTA body. Default: gba. Each body has its own default seat roster (see convene).

    gbaniceeu_jcaus_payer
  • drugstringобязательный
  • indicationstringобязательный
  • drug_classstring

    Required by jca.pico_scope for hta_body='eu_jca' seats; defaults to 'other' (with a caveat finding) when omitted. Ignored for other bodies.

  • ppdd_packobject

    The verified evidence pack from hta.gba_ppdd (design log #49). Pass its content object directly.

  • dossier_markdownstring

    Fallback when no ppdd_pack is supplied.

  • dossier_sectionsobject
  • picoobject
  • model_resultsobject
  • convenestring[]

    Which seats to convene. Default: the full roster for the selected hta_body.

  • zvt_scenariosobject[]

    Candidate appropriate comparators (zVT) to re-run as scenarios.

  • question_setstring[]

    Batch 'Q&A Mailbox' mode: a set of anticipated dossier questions, each fanned to the relevant convened seat(s) and answered by reusing the already-computed base-scenario findings (no new tool call). Max 50.

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
hta.review_simulationтолько чтениеидемпотентный

Предсказывает уточняющие вопросы, которые орган HTA задаст по досье, ДО подачи. Использует выходные данные hta.dossier / hta.workflow (dossier_markdown), структурированные разделы dossier_sections или просто {drug, indication, pico, model_results} для предварительного анализа. Выполняет детерминированное сканирование пробелов и рисков по таксономии из 10 категорий (comparator, indirect comparison, survival extrapolation, clinical risk-of-bias, economic-model structure, utilities, decision uncertainty, subgroups, real-world evidence, innovation/added-benefit) и возвращает ранжированные ОЖИДАЕМЫЕ вопросы с обоснованием, серьезностью (critical/standard/minor), тем, что комитет ищет, и предложенным ответом. Ссылки на прецеденты только из белого списка (проверенная таблица NICE TA) и никогда не утверждают, что вопрос исторически задавался. v1 органы: NICE EAG и G-BA/IQWiG (FDA, HAS, EU JCA → v2). Полностью детерминирован; содержит блок раскрытия ISPOR ELEVATE-GenAI. Журнал дизайна #38.

Предсказывает уточняющие вопросы, которые орган HTA задаст по досье, ДО подачи. Использует выходные данные hta.dossier / hta.workflow (dossier_markdown), структурированные разделы dossier_sections или просто {drug, indication, pico, model_results} для предварительного анализа. Выполняет детерминированное сканирование пробелов и рисков по таксономии из 10 категорий (comparator, indirect comparison, survival extrapolation, clinical risk-of-bias, economic-model structure, utilities, decision uncertainty, subgroups, real-world evidence, innovation/added-benefit) и возвращает ранжированные ОЖИДАЕМЫЕ вопросы с обоснованием, серьезностью (critical/standard/minor), тем, что комитет ищет, и предложенным ответом. Ссылки на прецеденты только из белого списка (проверенная таблица NICE TA) и никогда не утверждают, что вопрос исторически задавался. v1 органы: NICE EAG и G-BA/IQWiG (FDA, HAS, EU JCA → v2). Полностью детерминирован; содержит блок раскрытия ISPOR ELEVATE-GenAI. Журнал дизайна #38.

Параметры

  • hta_bodyenum

    HTA body to simulate. 'nice' = NICE EAG clarification letter; 'gba_iqwig' = G-BA/IQWiG formal-assessment objections. FDA, HAS, EU JCA are v2.

    nicegba_iqwig
  • drugstringобязательный

    Generic drug name.

  • indicationstringобязательный

    Indication / population.

  • dossier_markdownstring

    The dossier draft (e.g. piped from hta.dossier or hta.workflow output). The primary input — the scan reads this.

  • dossier_sectionsobject

    Structured dossier text as an alternative/supplement to dossier_markdown.

  • picoobject

    PICO. comparator drives the comparator and indirect-comparison detectors.

  • model_resultsobject

    Economic-model results object (from cost_effectiveness_model) if no dossier_markdown is supplied — signals that a model exists.

  • max_questionsnumber

    Cap on returned questions (highest severity kept first). The summary still reports the full count.

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
hta.utilityтолько чтениеидемпотентный

Ищи характеристики наборов значений EQ-5D (UK 3L, England 5L, новый UK 5L 2026, NICE DSU mapping) или оценивай влияние нового набора значений UK EQ-5D-5L на ICER/QALY для заданного типа показаний. Ссылается на Biz, Hernández Alava, Wailoo (2026) Value in Health. Используй, когда пользователь спрашивает о переходе NICE на 5L, наборах значений полезности UK или влиянии на подачу заявок в NICE STA.

Ищи характеристики наборов значений EQ-5D (UK 3L, England 5L, новый UK 5L 2026, NICE DSU mapping) или оценивай влияние нового набора значений UK EQ-5D-5L на ICER/QALY для заданного типа показаний. Ссылается на Biz, Hernández Alava, Wailoo (2026) Value in Health. Используй, когда пользователь спрашивает о переходе NICE на 5L, наборах значений полезности UK или влиянии на подачу заявок в NICE STA.

Параметры

  • actionenumобязательный

    'lookup' returns a single value set; 'compare' returns all four side-by-side; 'estimate_impact' returns ICER/QALY change estimates for an indication type.

    lookupcompareestimate_impact
  • value_setenum

    Value set id (required for 'lookup'). 'uk_5l_new' is the 2026 one under NICE consultation.

    uk_3lengland_5luk_5l_newdsu_mapping
  • indication_typeenum

    Indication category (required for 'estimate_impact'). 'non_cancer_qol_only' = chronic QoL-only conditions (migraine, UC, atopic dermatitis, HS, plaque psoriasis) — sees the biggest ICER increase.

    cancer_life_extendingnon_cancer_life_extendingnon_cancer_qol_only
  • base_icernumber

    Optional: current ICER to project forward under new UK 5L.

  • base_incremental_qalynumber

    Optional: current incremental QALY gain to project forward under new UK 5L.

hta.workflowтолько чтениевнешний мир

Сквозной оркестратор подачи заявки HTA. Один вызов запускает literature_search (стабильность по принципу PRISMA через runs=N) → screen_abstracts (фильтр PICO) → risk_of_bias (автоматический RoB 2/ROBINS-I/AMSTAR-2) → cost_effectiveness_model (Марковская модель + 1000 PSA, параметры по умолчанию из показания) → hta_dossier (автоматическое понижение GRADE по результатам RoB) → validate_links (пост-хок аудит URL). Возвращает сводный отчёт с таймингами по фазам, полным черновиком досье и таблицей проверки URL. Используйте как готовую замену в один вызов для 4-5 отдельных промптов, которые обычной LLM пришлось бы писать вручную для последовательного вызова этих инструментов. Каждая фаза обёрнута в безопасный запуск, так что сбой на одном шаге не прерывает весь конвейер.

Сквозной оркестратор подачи заявки HTA. Один вызов запускает literature_search (стабильность по принципу PRISMA через runs=N) → screen_abstracts (фильтр PICO) → risk_of_bias (автоматический RoB 2/ROBINS-I/AMSTAR-2) → cost_effectiveness_model (Марковская модель + 1000 PSA, параметры по умолчанию из показания) → hta_dossier (автоматическое понижение GRADE по результатам RoB) → validate_links (пост-хок аудит URL). Возвращает сводный отчёт с таймингами по фазам, полным черновиком досье и таблицей проверки URL. Используйте как готовую замену в один вызов для 4-5 отдельных промптов, которые обычной LLM пришлось бы писать вручную для последовательного вызова этих инструментов. Каждая фаза обёрнута в безопасный запуск, так что сбой на одном шаге не прерывает весь конвейер.

Параметры

  • drugstringобязательный

    Drug or intervention name.

  • indicationstringобязательный

    Disease or condition (free text).

  • hta_bodyenum

    Target HTA body for the dossier draft.

    niceemafdaiqwighasjcagvd
  • submission_typeenum
    stamtaearly_accessinitialrenewalvariation
  • perspectiveenum

    Economic perspective for the cost-effectiveness model phase.

    nhsus_payersocietal
  • drug_classenum
    monoclonal_antibodysmall_moleculeatmp_cellatmp_geneatmp_tissuebiosimilarvaccineradiopharmaceuticalother
  • is_orphanboolean

    Orphan-designated medicinal product. Affects JCA scope eligibility (orphans enter JCA scope 2028 vs 2030 for general medicinal products).

  • picoobject

    Optional PICO criteria for the screening phase (defaults derived from drug + indication).

  • ce_inputsobject

    Optional cost-effectiveness model inputs. Sensible defaults applied when omitted (efficacy_delta=0.25; drug_cost_annual=1000; SoC=0).

  • sourcesstring[]
  • max_literature_resultsnumber
  • literature_runsnumber

    Number of dedup-stability passes for the literature_search phase. 3 is the project default for HTA-grade reproducibility.

  • jurisdictionsstring[]
  • skip_ce_modelboolean

    Skip the cost-effectiveness model phase (e.g., for clinical-only dossiers).

  • require_real_ce_inputsboolean

    When true, SKIP the cost-effectiveness phase unless ce_inputs supplies real drug/comparator costs + an effect measure, instead of running it on fabricated defaults and emitting a placeholder ICER. Default false runs CE but loudly flags any defaulted-input ICER as placeholder/not-submission-grade. Design log #35.

  • auto_check_regulatoryboolean

    When true (default), Phase 3.6 fans out regulatory.status_check across comparators from pico.comparator and unmet_need_inputs.treatment_landscape.current_soc. Results piped into hta_dossier as regulatory_landscape (renders 'Regulatory Landscape' section for nice/jca/gvd/amcp). Degrades gracefully on API errors. Set false to skip. Design log #26.

  • unmet_need_inputsobject

    Optional structured inputs for Phase 3.5 (evidence.unmet_need). Only consumed when hta_body='gvd'. When supplied, the orchestrator runs evidence.unmet_need and pipes the resulting unmet_need_summary into Phase 5 hta_dossier (pre-filling GVD Section 4 / NICE Section B). Design log #23.

  • include_confounder_identificationboolean

    When true, Phase 2.5 runs confounder_identification (IQWiG Pufulete Step 1) in closed_corpus mode over the screened literature and appends a 'Confounder Identification' annex. Design log #43.

  • fetch_full_textboolean

    When true (with include_confounder_identification=true), Phase 2.4 runs literature_fulltext over the screened papers and feeds the open-access Methods/Results sections + baseline tables into confounder_identification so each candidate's source_location is checkable against real text. Off by default (token cost). Design log #47.

  • confounder_candidate_extractionsobject[]

    Optional agent-extracted confounder candidates for Phase 2.5; each must cite a screened paper (pmid/doi/title). Design log #43.

  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default (model/tools/sources/date + human-review reminder); "submission" = adds ISPOR ELEVATE-GenAI citation. Default is tool-specific.

    offstandardsubmission
icf.readability_checkтолько чтениеидемпотентный

Оценивает читаемость текста Формы информированного согласия (ICF). Возвращает уровень по Флешу-Кинкейду, индекс легкости чтения Флеша, индекс тумана Ганнинга, уровень SMOG, а также разбор по предложениям с выявлением самых проблемных, детектор медицинского жаргона с вариантами на простом языке и вердикт «сдал/погранично/не сдал» относительно целевого уровня (по умолчанию 8 — по рекомендациям FDA/NIH). Работает в паре с irb_review при планировании исследования: исследователь вставляет черновик ICF, получает конкретный список правок. Чистая логика, без внешних API.

Оценивает читаемость текста Формы информированного согласия (ICF). Возвращает уровень по Флешу-Кинкейду, индекс легкости чтения Флеша, индекс тумана Ганнинга, уровень SMOG, а также разбор по предложениям с выявлением самых проблемных, детектор медицинского жаргона с вариантами на простом языке и вердикт «сдал/погранично/не сдал» относительно целевого уровня (по умолчанию 8 — по рекомендациям FDA/NIH). Работает в паре с irb_review при планировании исследования: исследователь вставляет черновик ICF, получает конкретный список правок. Чистая логика, без внешних API.

Параметры

  • icf_textstringобязательный

    The ICF body text. Plain text or markdown both work.

  • target_grade_levelinteger

    Target US grade level for FKGL pass verdict. FDA/NIH typically 8; some IRBs use 6 (stricter).

  • jargon_checkboolean

    Whether to run the medical-jargon dictionary lookup. Default true.

irb.reviewтолько чтениеидемпотентный

Классифицирует планируемое исследование по 45 CFR 46 (US Common Rule) + EU CTR 536/2014, чтобы подготовить каркас заявки для IRB или комитета по этике. Возвращает: уровень рецензирования (exempt §46.104 cat 1–8 / expedited §46.110 cat 1–7 / full-board §46.108), путь рецензирования по EU CTR с таймлайном, обязательства по уязвимым группам (Subpart B/C/D), план управления данными по GDPR Art. 9 + HIPAA §164.514, фреймворк отчётов о SAE (CTR Annex III / FDA IND / PSUR), уровень сложности ICF, фреймворк COI (PHS 42 CFR 50 / EU CTR Art. 14), и готовое к вставке сопроводительное письмо. Версия v1 покрывает EU+US; UK/Japan/Canada запланированы на v2. Опциональный ввод pv_classification привязывает рецензирование IRB к регуляторной категории PV — когда primary_category равно PASS_imposed, таймлайны SAE переопределяются в пользу CTR Annex III. Значения перечисления нечувствительны к регистру — `"interventional"`/`"Interventional"`, `"us_irb"`/`"US_IRB"` и т.д. работают одинаково.

Классифицирует планируемое исследование по 45 CFR 46 (US Common Rule) + EU CTR 536/2014, чтобы подготовить каркас заявки для IRB или комитета по этике. Возвращает: уровень рецензирования (exempt §46.104 cat 1–8 / expedited §46.110 cat 1–7 / full-board §46.108), путь рецензирования по EU CTR с таймлайном, обязательства по уязвимым группам (Subpart B/C/D), план управления данными по GDPR Art. 9 + HIPAA §164.514, фреймворк отчётов о SAE (CTR Annex III / FDA IND / PSUR), уровень сложности ICF, фреймворк COI (PHS 42 CFR 50 / EU CTR Art. 14), и готовое к вставке сопроводительное письмо. Версия v1 покрывает EU+US; UK/Japan/Canada запланированы на v2. Опциональный ввод pv_classification привязывает рецензирование IRB к регуляторной категории PV — когда primary_category равно PASS_imposed, таймлайны SAE переопределяются в пользу CTR Annex III. Значения перечисления нечувствительны к регистру — `"interventional"`/`"Interventional"`, `"us_irb"`/`"US_IRB"` и т.д. работают одинаково.

Параметры

  • study_designenumобязательный
    interventionalnon_interventional_prospectiveretrospective_chart_reviewregistrysecondary_data_analysisspecimen_repositoryquestionnaire_only
  • interventionstringобязательный
  • indicationstringобязательный
  • population_includes_pediatricboolean
  • population_includes_pregnantboolean
  • population_includes_prisonersboolean
  • population_includes_decisionally_impairedboolean
  • jurisdictionsstring[]
  • data_handlingenumобязательный
    fully_identifiablepseudonymizedanonymized_safe_harboranonymized_expert_determinationaggregate_only
  • risk_levelenum
    minimalgreater_than_minimalunknown
  • funding_sourceenumобязательный
    industrynihother_governmentfoundationacademicnone
  • multi_siteboolean
  • expedited_category_claiminteger[]

    Expedited review categories per 45 CFR 46.110 (1-7) the investigator believes apply. Tool will validate; if it disagrees, both are surfaced as advisory_warnings.

  • pv_classificationobject

    Optional structured output from pv_classify. Only primary_category is read; PASS_imposed triggers CTR Annex III SAE timelines.

  • exempt_category_hintenum

    Hint: flag this as 45 CFR 46.104(d)(1) educational practices research.

    educational
  • benign_behaviouralboolean

    Set true for benign behavioural interventions in adults (45 CFR 46.104(d)(3)).

  • federal_demonstrationboolean

    Set true for federally supported research / demonstration project (45 CFR 46.104(d)(5)).

  • taste_testboolean

    Set true for taste / food-quality / consumer-acceptance evaluation (45 CFR 46.104(d)(6)).

  • broad_consent_obtainedboolean

    Set true when broad consent has been obtained for secondary research / specimen storage (45 CFR 46.104(d)(7-8)).

  • marketed_drugboolean

    Set true when the study uses a marketed drug per labeling (drives expedited cat 1, post-marketing PSUR framework).

  • blood_draw_within_limitsboolean

    Set true for blood collection within OHRP volume limits (45 CFR 46.110 cat 2).

  • noninvasive_collectionboolean

    Set true for prospective biospecimen collection by noninvasive means (45 CFR 46.110 cat 3).

  • noninvasive_procedureboolean

    Set true for noninvasive data collection (ECG, EEG, blood pressure, ultrasound) (45 CFR 46.110 cat 4).

  • recording_collectionboolean

    Set true for voice / digital / image recording collection (45 CFR 46.110 cat 6).

jca.pico_scopeтолько чтениеидемпотентный

Производит каноническую матрицу PICO для Совместной клинической оценки ЕС (JCA) для пары препарат-показание. Возвращает единый список PICO (в соответствии с процессом JCA по Регламенту 2021/2282) плюс наборы компараторов по странам, предпочтения инструментов оценки исходов, фокус на подгруппы популяции и предупреждение о гетерогенности. Передавайте `pico_matrix.picos` напрямую в `hta_dossier({hta_body:"jca", picos: ...})`. Версия v1 охватывает DE/FR/IT/ES/NL + UK (пост-брексит контекст). Предупреждение о гетерогенности срабатывает при ≥3 различных молекулах компараторов в ≥2 юрисдикциях: это предположение на уровне инструмента, а не опубликованный порог EUnetHTA; используйте предупреждение как сигнал запустить evidence_network + itc_feasibility, а не как окончательный диагноз. Детали компараторов для NSCLC с мутацией EGFR сейчас смоделированы только для `line_of_therapy="second_line"`; для других линий используется общий химиотерапевтический якорь с предупреждением. Значения перечисления нечувствительны к регистру — `"DE"`/`"de"`, `"first_line"`/`"First_Line"` и т.д. все работают.

Производит каноническую матрицу PICO для Совместной клинической оценки ЕС (JCA) для пары препарат-показание. Возвращает единый список PICO (в соответствии с процессом JCA по Регламенту 2021/2282) плюс наборы компараторов по странам, предпочтения инструментов оценки исходов, фокус на подгруппы популяции и предупреждение о гетерогенности. Передавайте `pico_matrix.picos` напрямую в `hta_dossier({hta_body:"jca", picos: ...})`. Версия v1 охватывает DE/FR/IT/ES/NL + UK (пост-брексит контекст). Предупреждение о гетерогенности срабатывает при ≥3 различных молекулах компараторов в ≥2 юрисдикциях: это предположение на уровне инструмента, а не опубликованный порог EUnetHTA; используйте предупреждение как сигнал запустить evidence_network + itc_feasibility, а не как окончательный диагноз. Детали компараторов для NSCLC с мутацией EGFR сейчас смоделированы только для `line_of_therapy="second_line"`; для других линий используется общий химиотерапевтический якорь с предупреждением. Значения перечисления нечувствительны к регистру — `"DE"`/`"de"`, `"first_line"`/`"First_Line"` и т.д. все работают.

Параметры

  • drugstringобязательный

    Drug name.

  • indicationstringобязательный

    Disease/condition.

  • drug_classenumобязательный
    monoclonal_antibodysmall_moleculeatmp_cellatmp_geneatmp_tissuebiosimilarvaccineradiopharmaceuticalother
  • mechanism_of_actionstring
  • line_of_therapyenum
    first_linesecond_linethird_line_plusany
  • biomarker_statusstring

    Optional biomarker status (e.g., 'EGFR T790M positive', 'PD-L1 TPS ≥50%').

  • jurisdictionsstring[]
  • regulatory_contextenum
    pre_authorisationpost_authorisationconditional_approval
  • is_orphanboolean

    Optional. Orphan-designated medicinal product. Affects JCA scope eligibility (orphans enter scope from 13 January 2028 vs 13 January 2030 for general medicinal products).

  • force_proceed_out_of_scopeboolean

    Override the JCA scope eligibility check. Default false. Set true to produce a JCA-style matrix anyway when the indication is not yet in JCA scope (e.g., for protocol-design or anticipatory market-access work). Output will carry an explicit out-of-scope warning either way.

knowledge.readтолько чтениеидемпотентный

Читает файл из дерева raw/ или wiki/ проекта. Путь указывается относительно корня проекта. Доступны только поддеревья raw/ и wiki/.

Читает файл из дерева raw/ или wiki/ проекта. Путь указывается относительно корня проекта. Доступны только поддеревья raw/ и wiki/.

Параметры

  • projectstringобязательный

    Project ID

  • pathstringобязательный

    Relative path (e.g. 'wiki/trials/sustain-6.md' or 'raw/literature/pubmed_12345.md')

knowledge.searchтолько чтениеидемпотентный

Ищет совпадения текста в базе знаний проекта (raw/ и wiki/). Возвращает пути к файлам с номерами строк и фрагментами. Используйте это, чтобы найти ранее полученные материалы, запуски моделей и скомпилированное содержимое wiki без повторных запросов к внешним API.

Ищет совпадения текста в базе знаний проекта (raw/ и wiki/). Возвращает пути к файлам с номерами строк и фрагментами. Используйте это, чтобы найти ранее полученные материалы, запуски моделей и скомпилированное содержимое wiki без повторных запросов к внешним API.

Параметры

  • projectstringобязательный

    Project ID (must exist)

  • querystringобязательный

    Search query — multi-term searches match ANY term (OR)

  • pathsstring[]

    Which subtrees to search. Default: both.

  • max_resultsnumber

    Max matches to return (default 20, max 100)

  • case_sensitiveboolean

    Case-sensitive search (default false)

knowledge.writeидемпотентный

Запишите файл в дерево wiki/ проекта. Путь ОБЯЗАТЕЛЬНО должен начинаться с 'wiki/' и заканчиваться '.md'. Используйте это, чтобы собрать/упорядочить свидетельства из файлов raw/ в структурированную базу знаний. Поддерживает вики-ссылки в стиле Obsidian [[wikilinks]].

Запишите файл в дерево wiki/ проекта. Путь ОБЯЗАТЕЛЬНО должен начинаться с 'wiki/' и заканчиваться '.md'. Используйте это, чтобы собрать/упорядочить свидетельства из файлов raw/ в структурированную базу знаний. Поддерживает вики-ссылки в стиле Obsidian [[wikilinks]].

Параметры

  • projectstringобязательный

    Project ID

  • pathstringобязательный

    Relative path starting with 'wiki/', ending with .md (e.g. 'wiki/trials/sustain-6.md')

  • contentstringобязательный

    Markdown content. Can include YAML frontmatter and [[wikilinks]].

literature.fulltextтолько чтениеидемпотентныйвнешний мир

Извлекает ПОЛНЫЙ ТЕКСТ (разделы «Методы»/«Результаты» + таблицы исходных характеристик/результатов) для уже найденных статей по PMID, PMCID или DOI из Europe PMC (открытый доступ PMC + авторские рукописи + препринты). Доступ ограничен лицензией: для статей не в открытом доступе тело текста не возвращается (full_text_available:false) — возвращается только указатель. Используйте ПОСЛЕ literature_search/screen_abstracts, чтобы прочитать текст методов, который обычно опущен в аннотациях — например, для выявления confounder_identification (таблицы исходных характеристик), risk_of_bias (текст про рандомизацию/ослепление) или извлечения survival/ITC данных. Детерминированная выборка (без LLM); вы читаете возвращённые разделы. Передавайте до 20 статей.

Извлекает ПОЛНЫЙ ТЕКСТ (разделы «Методы»/«Результаты» + таблицы исходных характеристик/результатов) для уже найденных статей по PMID, PMCID или DOI из Europe PMC (открытый доступ PMC + авторские рукописи + препринты). Доступ ограничен лицензией: для статей не в открытом доступе тело текста не возвращается (full_text_available:false) — возвращается только указатель. Используйте ПОСЛЕ literature_search/screen_abstracts, чтобы прочитать текст методов, который обычно опущен в аннотациях — например, для выявления confounder_identification (таблицы исходных характеристик), risk_of_bias (текст про рандомизацию/ослепление) или извлечения survival/ITC данных. Детерминированная выборка (без LLM); вы читаете возвращённые разделы. Передавайте до 20 статей.

Параметры

  • articlesobject[]обязательный

    Articles to retrieve (max 20). Each needs at least one of pmid / pmcid / doi.

  • include_tablesboolean

    Include extracted tables (baseline characteristics, results) separately from prose. Default true.

  • max_chars_per_articlenumber

    Per-article character cap on prose sections (2000–200000, default 60000). Oversized bodies are truncated with a marker.

  • force_refreshboolean

    Bypass the 24h cache and re-fetch. Default false.

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
literature.living_reviewтолько чтениевнешний мир

LOCKED-протоколом LIVING систематический обзор литературы с дельта-обновлением. Stateless: инструмент ничего не хранит — состояние сохраняет вызывающая сторона. Два режима: 'init' блокирует протокол, запускает baseline literature.search и возвращает baseline записи, которые вы сохраняете; 'refresh' принимает протокол + ваши previous_records, заново запускает поиск и возвращает дельту (новые/удаленные записи, детерминированный флаг material-change, рекомендуемые последующие повторные запуски и дату следующего обновления). Material-change срабатывает при: новом RCT, ≥ порогового числа новых записей или conference late-breaker. Cadence (monthly/quarterly/half_yearly/annual/conference_adhoc) — это рекомендация для вашего планировщика (например, Vercel Cron) — никакого таймера на сервере нет. Направляйте material refresh в evidence_network / itc_feasibility. Design log #39.

LOCKED-протоколом LIVING систематический обзор литературы с дельта-обновлением. Stateless: инструмент ничего не хранит — состояние сохраняет вызывающая сторона. Два режима: 'init' блокирует протокол, запускает baseline literature.search и возвращает baseline записи, которые вы сохраняете; 'refresh' принимает протокол + ваши previous_records, заново запускает поиск и возвращает дельту (новые/удаленные записи, детерминированный флаг material-change, рекомендуемые последующие повторные запуски и дату следующего обновления). Material-change срабатывает при: новом RCT, ≥ порогового числа новых записей или conference late-breaker. Cadence (monthly/quarterly/half_yearly/annual/conference_adhoc) — это рекомендация для вашего планировщика (например, Vercel Cron) — никакого таймера на сервере нет. Направляйте material refresh в evidence_network / itc_feasibility. Design log #39.

Параметры

  • modeenumобязательный

    'init' = lock protocol + baseline search; 'refresh' = re-run + diff vs previous_records.

    initrefresh
  • protocolobjectобязательный
  • previous_recordsobject[]

    refresh only — the prior run's record set, from your store (e.g. Supabase).

  • prior_run_indexnumber

    refresh only — the prior run_index for bookkeeping.

  • review_idstring

    Opaque label for your bookkeeping; the server never looks it up.

  • recommended_cadenceenum
    monthlyquarterlyhalf_yearlyannualconference_adhoc
  • as_ofstring

    ISO date the refresh runs (defaults to today); drives next_refresh_due.

  • new_records_thresholdnumber

    Material-change threshold for new-record count.

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
literature.screenтолько чтениеидемпотентный

Отсеивает результаты литературного поиска по критериям PICO. Оценивает каждый абстракт по релевантности исследовательскому вопросу, классифицирует дизайн исследования и возвращает ранжированный короткий список с решениями о включении/исключении и причинами. Для описательной эпидемиологии опускайте вмешательство/сравнение и передавайте популяцию + состояние + исходы. Передайте массив результатов из предыдущего вызова literature.search (используйте output_format='json'). Следует методологии скрининга из Главы 4 Кокрейновского справочника.

Отсеивает результаты литературного поиска по критериям PICO. Оценивает каждый абстракт по релевантности исследовательскому вопросу, классифицирует дизайн исследования и возвращает ранжированный короткий список с решениями о включении/исключении и причинами. Для описательной эпидемиологии опускайте вмешательство/сравнение и передавайте популяцию + состояние + исходы. Передайте массив результатов из предыдущего вызова literature.search (используйте output_format='json'). Следует методологии скрининга из Главы 4 Кокрейновского справочника.

Параметры

  • resultsobject[]обязательный

    Array of LiteratureResult objects from a prior literature.search call (use output_format='json')

  • criteriaobjectобязательный

    PICO inclusion criteria

  • exclude_study_typesstring[]

    Additional study types to exclude (e.g., ['case_report', 'narrative_review']). Editorials/commentaries are always excluded.

  • min_yearnumber

    Exclude studies published before this year

  • include_thresholdnumber

    Relevance score threshold for inclusion (0-1, default 0.3). Lower = more inclusive.

  • output_formatenum
    textjson
  • projectstring

    Project ID for persistence

  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
literature.searchтолько чтениеидемпотентныйвнешний мир

Ищет в PubMed, ClinicalTrials.gov, bioRxiv/medRxiv, ChEMBL, FDA Orange Book, FDA Purple Book, корпоративных источниках (Embase, ScienceDirect, Cochrane, Citeline, Pharmapendium, Cortellis), источниках справочных цен HTA (CMS NADAC, PSSRU, NHS National Cost Collection, BNF, PBS Schedule), источниках LATAM (DATASUS, CONITEC, ANVISA, PAHO, IETS, FONASA), источниках APAC (HITAP) и источниках оценок и руководств HTA (NICE TAs, CADTH CDR/pCODR, ICER, PBAC PSDs, G-BA AMNOG, HAS Transparency Committee, IQWiG, AIFA, TLV Sweden, INESSS Quebec) доказательства по лекарству или показанию. Возвращает структурированные результаты, включая прецеденты HTA и решения по оценке, с полным журналом аудита, подходящим для подачи заявок HTA.

Ищет в PubMed, ClinicalTrials.gov, bioRxiv/medRxiv, ChEMBL, FDA Orange Book, FDA Purple Book, корпоративных источниках (Embase, ScienceDirect, Cochrane, Citeline, Pharmapendium, Cortellis), источниках справочных цен HTA (CMS NADAC, PSSRU, NHS National Cost Collection, BNF, PBS Schedule), источниках LATAM (DATASUS, CONITEC, ANVISA, PAHO, IETS, FONASA), источниках APAC (HITAP) и источниках оценок и руководств HTA (NICE TAs, CADTH CDR/pCODR, ICER, PBAC PSDs, G-BA AMNOG, HAS Transparency Committee, IQWiG, AIFA, TLV Sweden, INESSS Quebec) доказательства по лекарству или показанию. Возвращает структурированные результаты, включая прецеденты HTA и решения по оценке, с полным журналом аудита, подходящим для подачи заявок HTA.

Параметры

  • querystring

    Research question or PubMed Entrez query. For PubMed with a SIGN strategy, use pipeline_inputs.pubmed_query.

  • free_text_querystring

    Plain concept terms for Embase (Scopus), IHME GBD, and registry sources — from pipeline_inputs.free_text_query. Required when query contains [MeSH]/[tiab] field tags.

  • sourcesstring[]

    Data sources to query. Default: pubmed, clinicaltrials, biorxiv, chembl, wiley, embase. Use 'europe_pmc' for Europe PMC (40M+ abstracts + full text + preprints + guidelines — broader full-text coverage than PubMed; strong for confounder/baseline-characteristic extraction). Use 'openalex' (250M+ works + citation graph) and 'semantic_scholar' (citation graph + related-work) for broad SLR + snowball comparator discovery. Use 'who_gho' and 'world_bank' for epidemiology and demographic data. Use 'oecd' for OECD health statistics (expenditure, hospital beds, physicians, life expectancy). Use 'ihme_gbd' for Global Burden of Disease estimates. Use 'orange_book' for FDA drug approvals. Use 'purple_book' for FDA biologics and biosimilars. Enterprise (require API key): 'cochrane' (COCHRANE_API_KEY), 'citeline' (CITELINE_API_KEY), 'pharmapendium' (PHARMAPENDIUM_API_KEY), 'cortellis' (CORTELLIS_API_KEY). HTA cost refs: 'cms_nadac', 'pssru', 'nhs_costs', 'bnf', 'pbs_schedule'. LATAM sources: 'datasus', 'conitec', 'anvisa', 'paho', 'iets', 'fonasa'. APAC sources: 'hitap'. HTA appraisal/precedent sources: 'nice_ta', 'cadth_reviews', 'icer_reports', 'pbac_psd', 'gba_decisions', 'has_tc', 'iqwig', 'aifa', 'tlv', 'inesss'. HEOR methodology sources: 'ispor', 'wiley' (Pharmacoeconomics, Health Economics, Value in Health — via CrossRef), 'ohe' (Office of Health Economics — value set analyses, HTA methodology), 'euroqol' (EuroQol Group — EQ-5D instrument, country value sets, crosswalks).

  • max_resultsnumber

    Maximum results to return (default: 20, max: 100)

  • date_fromstring

    Exclude results before this date (ISO format: YYYY-MM-DD)

  • study_typesstring[]

    Filter results by study design. Values: 'rct' (randomised controlled trials), 'meta_analysis', 'observational' (cohort/case-control/cross-sectional), 'review' (systematic reviews, narrative reviews).

  • output_formatenum

    Output format. 'docx' requires hosted tier.

    textjsondocx
  • projectstring

    Project ID for knowledge base persistence. When set, results are saved to ~/.heor-agent/projects/{project}/raw/literature/

  • runsnumber

    Number of search runs (1-5, default 1). Multiple runs deduplicate and rank by consistency. Use runs=3 for comprehensive, stable results.

  • literature_search_planobject[]

    Per-source query plan from search.strategy_build pipeline_inputs.literature_search_plan. When provided, each step runs sequentially with its own sources and query (PubMed Entrez vs plain concept terms). Preferred for descriptive epidemiology.

  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

models.budget_impactтолько чтениеидемпотентный

Оценивает общее бюджетное влияние внедрения нового вмешательства на срок от 1 до 5 лет. Следует рекомендациям ISPOR по анализу бюджетного влияния (Mauskopf 2007, Sullivan 2014). Вычисляет чистые затраты для плательщика по годам, включая захват доли рынка, вытеснение других методов лечения и рост популяции. ВАЖНО: drug_cost_annual и comparator_cost_annual: обязательные числовые входные данные. Если пользователь их не указал, используйте свои обученные знания о опубликованных ценах (NHS BNF/Drug Tariff для перспективы NHS, WAC/AWP для us_payer) или последние оценки затрат из оценки NICE в качестве наилучшей оценки, НЕ отказывайтесь запускать модель. Пометьте любые самостоятельно указанные цены в выводе как 'estimated from published list price' и укажите источник.

Оценивает общее бюджетное влияние внедрения нового вмешательства на срок от 1 до 5 лет. Следует рекомендациям ISPOR по анализу бюджетного влияния (Mauskopf 2007, Sullivan 2014). Вычисляет чистые затраты для плательщика по годам, включая захват доли рынка, вытеснение других методов лечения и рост популяции. ВАЖНО: drug_cost_annual и comparator_cost_annual: обязательные числовые входные данные. Если пользователь их не указал, используйте свои обученные знания о опубликованных ценах (NHS BNF/Drug Tariff для перспективы NHS, WAC/AWP для us_payer) или последние оценки затрат из оценки NICE в качестве наилучшей оценки, НЕ отказывайтесь запускать модель. Пометьте любые самостоятельно указанные цены в выводе как 'estimated from published list price' и укажите источник.

Параметры

  • interventionstringобязательный

    New drug or treatment

  • comparatorstringобязательный

    Current standard of care

  • indicationstringобязательный

    Disease or condition

  • perspectiveenumобязательный

    Payer perspective: 'nhs' (UK NHS), 'us_payer' (US commercial/Medicare), or 'societal' (broader costs incl. productivity). Determines currency and cost categories.

    nhsus_payersocietal
  • time_horizon_yearsnumber

    Budget horizon in years (1-10, default 5)

  • eligible_populationnumberобязательный

    Number of eligible patients in Year 1

  • population_growth_ratenumber

    Annual population growth rate (e.g., 0.02 for 2%). Default 0.

  • market_shareobjectобязательный

    Expected market share of intervention by year (0-1). Missing years extrapolate from last defined.

  • drug_cost_annualnumberобязательный

    Annual drug acquisition cost for intervention

  • comparator_cost_annualnumberобязательный

    Annual drug cost for comparator

  • admin_cost_annualnumber

    Annual administration cost (applies to both arms). Default 0.

  • monitoring_cost_annualnumber

    Annual monitoring cost for intervention. Default 0.

  • ae_cost_annualnumber

    Annual adverse event cost for intervention. Default 0.

  • comparator_ae_cost_annualnumber

    Annual adverse event cost for comparator. Default 0.

  • displacementobject[]

    Existing treatments displaced by intervention (share of patients switching, cost saved)

  • output_formatenum

    Use 'xlsx' for a structured Excel report with all inputs, year-by-year calculations, and audit trail in separate tabs. The workbook is a REPORT — editing cells does not re-run the model. Re-run by calling the tool again with modified parameters.

    textjsondocxxlsx
  • projectstring

    Project ID for persistence

models.cost_effectivenessтолько чтениеидемпотентный

Постройте анализ затрат-полезности (ICER, QALY, PSA, анализ чувствительности) для лекарства в сравнении с аналогом. Соответствует рекомендациям ISPOR по надлежащей практике и эталонному случаю NICE. Включает вероятностный анализ чувствительности (PSA), однофакторную чувствительность и кривую приемлемости затрат-эффективности (CEAC). ПРИМЕЧАНИЕ: входные данные полезности зависят от набора значений — в UK с 2026+ заявки перейдут с маппинга DSU 3L→5L на новый британский набор значений EQ-5D-5L (консультация NICE с 15 апреля по 13 мая 2026). Используйте инструмент utility_value_set, чтобы проверить ожидаемое влияние на ICER перед финализацией входных данных.

Постройте анализ затрат-полезности (ICER, QALY, PSA, анализ чувствительности) для лекарства в сравнении с аналогом. Соответствует рекомендациям ISPOR по надлежащей практике и эталонному случаю NICE. Включает вероятностный анализ чувствительности (PSA), однофакторную чувствительность и кривую приемлемости затрат-эффективности (CEAC). ПРИМЕЧАНИЕ: входные данные полезности зависят от набора значений — в UK с 2026+ заявки перейдут с маппинга DSU 3L→5L на новый британский набор значений EQ-5D-5L (консультация NICE с 15 апреля по 13 мая 2026). Используйте инструмент utility_value_set, чтобы проверить ожидаемое влияние на ICER перед финализацией входных данных.

Параметры

  • interventionstringобязательный

    Drug or treatment name

  • comparatorstringобязательный

    Comparator (standard of care)

  • indicationstringобязательный

    Disease or condition

  • time_horizonstringобязательный

    Modelling horizon: 'lifetime', '5yr', '10yr', or years as number

  • perspectiveenumобязательный

    Economic perspective: 'nhs' (UK NHS, WTP £25-35K/QALY), 'us_payer' ($100-150K/QALY ICER standard), or 'societal' (broader costs incl. productivity).

    nhsus_payersocietal
  • model_typeenum

    Model type. Default: markov. Use 'partsa' for oncology — requires survival_inputs (the handler now hard-fails when partsa is set without it).

    markovpartsadecision_tree
  • survival_inputsobject

    Required when model_type='partsa'. Median survival inputs (months) for OS/PFS, optional comparator overrides, and parametric distribution choice. Codex P1 fix (2026-05-07).

  • clinical_inputsobjectобязательный

    Clinical efficacy and safety parameters driving the Markov transitions.

  • cost_inputsobjectобязательный

    Annual costs per patient in the base currency for the selected perspective.

  • utility_inputsobject

    QALY weights for each health state (optional — defaults derived from efficacy if omitted).

  • run_psaboolean

    Run probabilistic sensitivity analysis (default: true)

  • psa_iterationsnumber

    PSA iterations (default: 1000, max: 10000)

  • run_owsaboolean

    Run one-way sensitivity analysis (default: true). Set to false to skip OWSA and speed up large PSA runs.

  • scenariosobject[]

    Optional scenario analysis: array of named parameter overrides. Each scenario re-runs the model with the specified changes. Max 10 scenarios.

  • mfn_sensitivityobject

    Optional MFN price-sensitivity sweep. When supplied, the output includes an mfn_sensitivity block with ICER per price point and WTP-crossover prices. Design log #27.

  • output_formatenum

    Use 'xlsx' for a structured Excel report with inputs, transition matrix, PSA iterations, and CEAC in separate tabs. The workbook is a REPORT — editing cells does not re-run the model. Re-run by calling the tool again with modified parameters.

    textjsondocxxlsx
  • projectstring

    Project ID for knowledge base persistence. When set, model run is saved to ~/.heor-agent/projects/{project}/raw/models/

  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

  • summary_metricenum

    Summary metric for the ICER numerator. 'qaly' (default, NICE reference case), 'evlyg' (equal value life-years gained — CMS IRA-compatible; CMS prohibits QALYs in Medicare IRA drug price negotiations per §1194(e)(2)), or 'both' to report both side-by-side.

    qalyevlygboth
  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default (model/tools/sources/date + human-review reminder); "submission" = adds ISPOR ELEVATE-GenAI citation. Default is tool-specific.

    offstandardsubmission
project.createидемпотентный

Инициализирует новое рабочее пространство проекта HEOR со скелетом директорий и метаданными project.yaml. Идемпотентен — возвращает существующий проект, если уже создан. Требуется перед использованием параметра `project` в других инструментах. Значения перечислений нечувствительны к регистру: `"NICE"`, `"Nice"` и `"nice"` все работают для hta_targets.

Инициализирует новое рабочее пространство проекта HEOR со скелетом директорий и метаданными project.yaml. Идемпотентен — возвращает существующий проект, если уже создан. Требуется перед использованием параметра `project` в других инструментах. Значения перечислений нечувствительны к регистру: `"NICE"`, `"Nice"` и `"nice"` все работают для hta_targets.

Параметры

  • project_idstringобязательный

    Short identifier (alphanumeric + hyphens, e.g. 'semaglutide-t2d')

  • drugstringобязательный

    Drug or intervention name

  • indicationstringобязательный

    Disease/condition being treated

  • hta_targetsstring[]

    HTA bodies to target (optional). Case-insensitive — "NICE"/"Nice"/"nice" are all accepted.

  • notesstring

    Free-text project notes (optional)

publication.draftтолько чтениеидемпотентный

Составляет публикацию — аннотацию, рукопись, постер или краткое описание для широкой аудитории — используя утверждения из реестра проекта, чтобы в публикации фигурировали те же эталонные показатели, что и в досье. Структурирует контент по типу (структурированная аннотация / рукопись в формате IMRaD / постер / краткое описание), автоматически выбирает руководство по отчётности для типа исследования (CONSORT для РКИ, STROBE для обсервационных исследований, PRISMA для систематических обзоров, CHEERS для экономических оценок), задаёт лимит слов (по умолчанию для каждого типа, можно переопределить) и формирует чек-лист соответствия GPP2022 и ICMJE (критерии авторства, раскрытие информации, финансирование, регистрация испытания, обмен данными). Передавайте reference_claim_ids + project_id, чтобы подтянуть зарегистрированные утверждения в раздел «Результаты». Помечает превышающие лимит черновики, незарегистрированные РКИ и устаревшие утверждения; отмечает, что ИИ не может быть автором (ICMJE). Работает совместно с evidence.claim_registry и evidence.consistency_check. Значения перечислений нечувствительны к регистру.

Составляет публикацию — аннотацию, рукопись, постер или краткое описание для широкой аудитории — используя утверждения из реестра проекта, чтобы в публикации фигурировали те же эталонные показатели, что и в досье. Структурирует контент по типу (структурированная аннотация / рукопись в формате IMRaD / постер / краткое описание), автоматически выбирает руководство по отчётности для типа исследования (CONSORT для РКИ, STROBE для обсервационных исследований, PRISMA для систематических обзоров, CHEERS для экономических оценок), задаёт лимит слов (по умолчанию для каждого типа, можно переопределить) и формирует чек-лист соответствия GPP2022 и ICMJE (критерии авторства, раскрытие информации, финансирование, регистрация испытания, обмен данными). Передавайте reference_claim_ids + project_id, чтобы подтянуть зарегистрированные утверждения в раздел «Результаты». Помечает превышающие лимит черновики, незарегистрированные РКИ и устаревшие утверждения; отмечает, что ИИ не может быть автором (ICMJE). Работает совместно с evidence.claim_registry и evidence.consistency_check. Значения перечислений нечувствительны к регистру.

Параметры

  • typeenumобязательный
    abstractmanuscriptposterplain_language_summary
  • titlestringобязательный
  • study_designenum
    rctobservationalsystematic_revieweconomic_evaluationother
  • targetstring

    Journal or congress, e.g. 'ISPOR 2026', 'Value in Health'.

  • backgroundstring
  • objectivestring
  • methodsstring
  • resultsstring
  • conclusionsstring
  • project_idstring

    Required when reference_claim_ids is non-empty.

  • reference_claim_idsstring[]

    Claim ids from the registry to insert into Results (single source of truth).

  • word_limitnumber

    Override the per-type default word limit.

  • fundedboolean
  • medical_writing_supportboolean
  • trial_registration_idstring
  • ai_disclosure_levelenum
    offstandardsubmission
pv.classifyтолько чтениеидемпотентный

Классифицирует запланированное исследование по регуляторной категории фармаконадзора EMA (PASS обязательное/добровольное, PAES, RMP Приложение 4, DUS, регистр активного наблюдения, регистр беременностей, спонтанные сообщения, план ICH E2E). Возвращает соответствующий модуль GVP + категорию исследования по ENCePP (не идентификатор зарегистрированного протокола — сверяйтесь с чек-листом Кодекса поведения ENCePP для шаблонов) + обязательства по подаче отчётов + последствия для RMP + аналог FDA. Используйте ПЕРЕД подготовкой досье HTA или перед разработкой пострегистрационного исследования. Передайте структурированный вывод `pv_classification` в `hta_dossier`, чтобы заполнить его раздел «План фармаконадзора». Значения перечисления нечувствительны к регистру — `"RCT"`/`"rct"`, `"EU"`/`"eu"` и т.д. — всё работает.

Классифицирует запланированное исследование по регуляторной категории фармаконадзора EMA (PASS обязательное/добровольное, PAES, RMP Приложение 4, DUS, регистр активного наблюдения, регистр беременностей, спонтанные сообщения, план ICH E2E). Возвращает соответствующий модуль GVP + категорию исследования по ENCePP (не идентификатор зарегистрированного протокола — сверяйтесь с чек-листом Кодекса поведения ENCePP для шаблонов) + обязательства по подаче отчётов + последствия для RMP + аналог FDA. Используйте ПЕРЕД подготовкой досье HTA или перед разработкой пострегистрационного исследования. Передайте структурированный вывод `pv_classification` в `hta_dossier`, чтобы заполнить его раздел «План фармаконадзора». Значения перечисления нечувствительны к регистру — `"RCT"`/`"rct"`, `"EU"`/`"eu"` и т.д. — всё работает.

Параметры

  • drugstringобязательный

    Drug name.

  • indicationstringобязательный

    Disease/condition.

  • study_designenumобязательный
    rctsingle_armprospective_cohortretrospective_cohortcase_controlregistryspontaneous_reportsdrug_utilizationclinical_trial_extensionreal_world_evidence
  • primary_objectiveenumобязательный
    safetyefficacyeffectivenessdrug_utilizationnatural_historyrisk_minimisation_evaluation
  • regulatory_contextenumобязательный
    pre_authorisationpost_authorisationconditional_approvalaccelerated_approvalrmp_commitment
  • imposed_by_authorityboolean
  • population_includes_pregnantboolean
  • population_includes_paediatricboolean
  • multi_countryboolean
  • jurisdictionsstring[]
pv.comparative_safetyтолько чтениеидемпотентный

Строит сравнительный профиль безопасности на уровне класса по данным спонтанных сообщений (FAERS / EudraVigilance / VigiBase / WHO VigiBase). Ранжирует top-N нежелательных явлений для каждого продукта в классе лекарств по частоте сообщений на 1000 подвергшихся воздействию (укажите `exposed_population` на продукт) или по сырому количеству сообщений, размещает продукты рядом в матрице сравнения классов и выдает ключевые наблюдения — общий профиль класса, дифференциаторы на уровне продукта и явные отметки для `events_of_interest` (например, сообщение, что 'cardiovascular' не вошло в топ-10 ни для одного продукта). Опционально накладывает непропорциональность (PRR / ROR / IC / EBGM) для каждой пары лекарство-НЯ, если вы передадите `grand_total`, `total_reports` на продукт и `event_total` на НЯ. Дополняет `pv.signal_workflow` (который оценивает одно лекарство × одно НЯ). ⚠️ Частота спонтанных сообщений отражает поведение при репортировании, а не заболеваемость — результат это сравнительный профиль репортирования, только для генерации гипотез. Чистая логика, без внешних вызовов.

Строит сравнительный профиль безопасности на уровне класса по данным спонтанных сообщений (FAERS / EudraVigilance / VigiBase / WHO VigiBase). Ранжирует top-N нежелательных явлений для каждого продукта в классе лекарств по частоте сообщений на 1000 подвергшихся воздействию (укажите `exposed_population` на продукт) или по сырому количеству сообщений, размещает продукты рядом в матрице сравнения классов и выдает ключевые наблюдения — общий профиль класса, дифференциаторы на уровне продукта и явные отметки для `events_of_interest` (например, сообщение, что 'cardiovascular' не вошло в топ-10 ни для одного продукта). Опционально накладывает непропорциональность (PRR / ROR / IC / EBGM) для каждой пары лекарство-НЯ, если вы передадите `grand_total`, `total_reports` на продукт и `event_total` на НЯ. Дополняет `pv.signal_workflow` (который оценивает одно лекарство × одно НЯ). ⚠️ Частота спонтанных сообщений отражает поведение при репортировании, а не заболеваемость — результат это сравнительный профиль репортирования, только для генерации гипотез. Чистая логика, без внешних вызовов.

Параметры

  • drug_classstringобязательный

    Therapeutic class label, e.g. 'anti-CGRP migraine mAbs'.

  • indicationstringобязательный
  • data_sourceenum
    faerseudravigilancevigibase_whonational_dbspontaneous_internal
  • reporting_period_monthsnumber
  • grand_totalnumber

    a+b+c+d — all reports in the database. Supply (with per-product total_reports and per-AE event_total) to enable disproportionality.

  • top_nnumber
  • productsobject[]обязательный

    At least two products to compare.

  • events_of_intereststring[]

    Adverse events to report on explicitly across all products (matched by substring), e.g. ['cardiovascular','constipation'].

  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default; "submission" = adds ISPOR ELEVATE-GenAI citation.

    offstandardsubmission
pv.signal_workflowтолько чтениеидемпотентный

Вычисляет статистики disproportionality (PRR, ROR, IC/BCPNN, MGPS/EBGM) на основе пользовательских данных о количестве случаев лекарство-НЯ и выносит вердикт о сигнале в соответствии с EMA GVP Module IX rev 2. Возвращает вердикт (нет/усиление/подтверждён/ранее известный/опровергнут), рекомендации по дальнейшим действиям и канонический текст для раздела RMP о сигналах. Чтобы классифицировать результат как previously_known_signal, передайте ОБА параметра prior_known_signals И reported_event — тогда инструмент сможет сопоставить disproportionality с конкретным известным событием. Опционально добавляет соображения GVP P.III по наблюдению беременности (рождение/3 мес/12 мес), если оба параметра pregnancy_exposure и rmp_has_pregnancy_concern равны true. Работает в паре с pv_classify. ⚠️ MGPS v1 использует однослойное гамма-Пуассоновское сжатие — если в базе данных есть смещение по полу/возрасту, EBGM/EB05 могут быть завышены; стратифицированный MGPS запланирован на v2. v1 принимает пользовательские количества случаев; v2 также будет интегрировать программный доступ к EVDAS в соответствии с Регламентом 2025/1466.

Вычисляет статистики disproportionality (PRR, ROR, IC/BCPNN, MGPS/EBGM) на основе пользовательских данных о количестве случаев лекарство-НЯ и выносит вердикт о сигнале в соответствии с EMA GVP Module IX rev 2. Возвращает вердикт (нет/усиление/подтверждён/ранее известный/опровергнут), рекомендации по дальнейшим действиям и канонический текст для раздела RMP о сигналах. Чтобы классифицировать результат как previously_known_signal, передайте ОБА параметра prior_known_signals И reported_event — тогда инструмент сможет сопоставить disproportionality с конкретным известным событием. Опционально добавляет соображения GVP P.III по наблюдению беременности (рождение/3 мес/12 мес), если оба параметра pregnancy_exposure и rmp_has_pregnancy_concern равны true. Работает в паре с pv_classify. ⚠️ MGPS v1 использует однослойное гамма-Пуассоновское сжатие — если в базе данных есть смещение по полу/возрасту, EBGM/EB05 могут быть завышены; стратифицированный MGPS запланирован на v2. v1 принимает пользовательские количества случаев; v2 также будет интегрировать программный доступ к EVDAS в соответствии с Регламентом 2025/1466.

Параметры

  • drugstringобязательный
  • indicationstringобязательный
  • reporting_period_monthsnumber
  • case_countsobjectобязательный
  • data_sourceenum
    eudravigilancefaersvigibase_whonational_dbspontaneous_internal
  • pregnancy_exposureboolean
  • prior_known_signalsstring[]
  • outcome_seriousboolean
  • rmp_has_pregnancy_concernboolean
pv.social_listening_triageтолько чтениеидемпотентный

Сортирует уже собранные посты из соцсетей на предмет сообщаемости в фармаконадзор в соответствии с EMA GVP Module VI. Для каждого поста вызывающая модель передаёт структурированную оценку того, какие из четырёх элементов ICSR присутствуют (identifiable_reporter, identifiable_patient, suspect_product, adverse_event), а также опционально тональность / темы / термины нежелательных реакций (adverse_event_terms). Инструмент применяет детерминированный тест валидности по четырём элементам (все четыре → валидный сообщаемый ICSR с таймером 15 дней для серьёзных / 90 дней для несерьёзных; только продукт+событие → требуется follow-up; нет НР → только качественная информация), подсчитывает тональность/темы/термины НР и выводит обязательства по отчётности и оговорки о валидности. Он НЕ парсит и НЕ запускает NLP — вызывающая модель извлекает поля для каждого поста, сохраняя аудируемость вывода. Работает в паре с rwe.social_listening_protocol (дизайн исследования) и pv.signal_workflow (оценка сигналов). ⚠️ Данные соцсетей — источник RWE с наименьшей валидностью: выводы о тональности/темах только для генерации гипотез. Чистая логика, без внешних вызовов.

Сортирует уже собранные посты из соцсетей на предмет сообщаемости в фармаконадзор в соответствии с EMA GVP Module VI. Для каждого поста вызывающая модель передаёт структурированную оценку того, какие из четырёх элементов ICSR присутствуют (identifiable_reporter, identifiable_patient, suspect_product, adverse_event), а также опционально тональность / темы / термины нежелательных реакций (adverse_event_terms). Инструмент применяет детерминированный тест валидности по четырём элементам (все четыре → валидный сообщаемый ICSR с таймером 15 дней для серьёзных / 90 дней для несерьёзных; только продукт+событие → требуется follow-up; нет НР → только качественная информация), подсчитывает тональность/темы/термины НР и выводит обязательства по отчётности и оговорки о валидности. Он НЕ парсит и НЕ запускает NLP — вызывающая модель извлекает поля для каждого поста, сохраняя аудируемость вывода. Работает в паре с rwe.social_listening_protocol (дизайн исследования) и pv.signal_workflow (оценка сигналов). ⚠️ Данные соцсетей — источник RWE с наименьшей валидностью: выводы о тональности/темах только для генерации гипотез. Чистая логика, без внешних вызовов.

Параметры

  • drugstringобязательный
  • indicationstringобязательный
  • platformstring
  • postsobject[]обязательный
  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default; "submission" = adds ISPOR ELEVATE-GenAI citation.

    offstandardsubmission
regulatory.status_checkтолько чтениеидемпотентныйвнешний мир

Ищет текущий статус одобрения препарата по первичным источникам (OpenFDA для США, EMA EPI для ЕС). Возвращает одобренные показания, дословный текст инструкции, ограничения по возрасту/весу/полу, предупреждения в чёрной рамке, статус REMS, противопоказания, URL источников и метку времени запроса. Отказывается утверждать «not approved» при отсутствии в базе - вместо этого выводит «unknown». Кеш на 24 часа с флагом force_refresh. Используйте ДО любого утверждения о статусе одобрения, педиатрическом показании или нормативных ограничениях. Design log #25.

Ищет текущий статус одобрения препарата по первичным источникам (OpenFDA для США, EMA EPI для ЕС). Возвращает одобренные показания, дословный текст инструкции, ограничения по возрасту/весу/полу, предупреждения в чёрной рамке, статус REMS, противопоказания, URL источников и метку времени запроса. Отказывается утверждать «not approved» при отсутствии в базе - вместо этого выводит «unknown». Кеш на 24 часа с флагом force_refresh. Используйте ДО любого утверждения о статусе одобрения, педиатрическом показании или нормативных ограничениях. Design log #25.

Параметры

  • drugstringобязательный

    Drug name: INN (fremanezumab), INN+suffix (fremanezumab-vfrm), or brand (Ajovy, case-insensitive).

  • regionenumобязательный

    Regulatory region. 'uk' deferred to v1.7.1 (no public eMC API). 'global' queries US.

    useuukglobal
  • indicationstring

    Optional: narrow results to indications containing this text (e.g., 'pediatric', 'migraine').

  • force_refreshboolean

    Bypass 24h cache and re-fetch from primary source. Use for same-day label changes.

  • include_label_historyboolean

    Reserved for v1.7.2 — ignored in v1.7.0.

rwe.method_selectтолько чтениеидемпотентный

Выбирает подходящий дизайн исследования реальной клинической практики (RWE) для исследовательского вопроса. Ранжирует пять основных методологий RWE — ретроспективный анализ баз данных, опрос, обзор литературы, обзор медицинских карт, мониторинг социальных сетей — относительно вашей исследовательской цели, доступных данных, контекста принятия решений (HTA/плательщик, регуляторный, клинические рекомендации, внутренняя стратегия, исследовательский) и требуемой строгости (исследовательский / поддерживающий / для подачи). Возвращает основную рекомендацию + ранжированные альтернативы, каждая со своим уровнем валидности результатов, предупреждениями об искажениях и инструментами на этом сервере, которые её реализуют (например, literature.search, pv.signal_workflow, evidence.population_adjusted). Сообщает, когда ни один из возможных методов не соответствует запрошенной строгости, и предлагает триангуляцию по взаимодополняющим дизайнам. Чистая логика принятия решений, <200 мс, без внешних вызовов. Значения перечислений нечувствительны к регистру.

Выбирает подходящий дизайн исследования реальной клинической практики (RWE) для исследовательского вопроса. Ранжирует пять основных методологий RWE — ретроспективный анализ баз данных, опрос, обзор литературы, обзор медицинских карт, мониторинг социальных сетей — относительно вашей исследовательской цели, доступных данных, контекста принятия решений (HTA/плательщик, регуляторный, клинические рекомендации, внутренняя стратегия, исследовательский) и требуемой строгости (исследовательский / поддерживающий / для подачи). Возвращает основную рекомендацию + ранжированные альтернативы, каждая со своим уровнем валидности результатов, предупреждениями об искажениях и инструментами на этом сервере, которые её реализуют (например, literature.search, pv.signal_workflow, evidence.population_adjusted). Сообщает, когда ни один из возможных методов не соответствует запрошенной строгости, и предлагает триангуляцию по взаимодополняющим дизайнам. Чистая логика принятия решений, <200 мс, без внешних вызовов. Значения перечислений нечувствительны к регистру.

Параметры

  • research_objectiveenumобязательный

    The primary research question type.

    treatment_effectivenesssafety_surveillancecost_effectivenesstreatment_patternspatient_preferencesadherencedisease_epidemiologyevidence_synthesispatient_experience
  • available_datastring[]

    Data sources you can access. Leave empty if unknown — feasibility will be flagged as unconfirmed rather than excluding methods.

  • decision_contextenum
    hta_payerregulatoryclinical_guidelineinternal_strategyexploratory
  • rigor_requiredenum
    exploratorysupportivesubmission_grade
  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default (model/tools/sources/date + human-review reminder); "submission" = adds ISPOR ELEVATE-GenAI citation. Default is tool-specific.

    offstandardsubmission
rwe.social_listening_protocolтолько чтениеидемпотентный

Создаёт протокол исследования на основе social-listening (мониторинг социальных сетей) для RWE-исследования. На вход подаются препарат, показание, цели (patient_experience, sentiment, adverse_event_monitoring, unmet_need, treatment_adherence, disease_awareness), платформы, юрисдикции по конфиденциальности и стартовые ключевые слова — на выходе полный протокол: цели и область применения, стратегия поиска, критерии включения/исключения, план анализа (сентимент + тематический + извлечение НЯ с кодировкой MedDRA), управление данными/конфиденциальность/этика (GDPR ст. 6/9 и пункты HIPAA включаются в зависимости от юрисдикции), ОБЯЗАТЕЛЬНЫЙ раздел по фармаконадзору (GVP Module VI применяется к любому систематическому обзору цифровых медиа, независимо от цели или владельца канала — эскалируется, когда is_mah_managed_channel имеет значение true), результаты, обязательный/рекомендуемый чек-лист соответствия и ограничения. Сочетается с pv.social_listening_triage (исполнение) и irb.review. ⚠️ Social-listening — метод RWE с наименьшей достоверностью: результаты качественные/гипотезогенерирующие; триангулируйте с дизайнами более высокой достоверности. Чистая логика, внешних вызовов нет; значения перечисления нечувствительны к регистру.

Создаёт протокол исследования на основе social-listening (мониторинг социальных сетей) для RWE-исследования. На вход подаются препарат, показание, цели (patient_experience, sentiment, adverse_event_monitoring, unmet_need, treatment_adherence, disease_awareness), платформы, юрисдикции по конфиденциальности и стартовые ключевые слова — на выходе полный протокол: цели и область применения, стратегия поиска, критерии включения/исключения, план анализа (сентимент + тематический + извлечение НЯ с кодировкой MedDRA), управление данными/конфиденциальность/этика (GDPR ст. 6/9 и пункты HIPAA включаются в зависимости от юрисдикции), ОБЯЗАТЕЛЬНЫЙ раздел по фармаконадзору (GVP Module VI применяется к любому систематическому обзору цифровых медиа, независимо от цели или владельца канала — эскалируется, когда is_mah_managed_channel имеет значение true), результаты, обязательный/рекомендуемый чек-лист соответствия и ограничения. Сочетается с pv.social_listening_triage (исполнение) и irb.review. ⚠️ Social-listening — метод RWE с наименьшей достоверностью: результаты качественные/гипотезогенерирующие; триангулируйте с дизайнами более высокой достоверности. Чистая логика, внешних вызовов нет; значения перечисления нечувствительны к регистру.

Параметры

  • drugstringобязательный
  • indicationstringобязательный
  • objectivesstring[]обязательный
  • platformsstring[]обязательный
  • privacy_jurisdictionsstring[]
  • keywordsstring[]
  • time_window_monthsnumber
  • is_mah_managed_channelboolean

    True if the channel is sponsored/managed by the marketing-authorisation holder — escalates proactive AE solicitation and reporting obligations.

  • ai_disclosure_levelenum

    AI assistance disclosure level. "off" = no disclosure; "standard" = default; "submission" = adds ISPOR ELEVATE-GenAI citation.

    offstandardsubmission
search.strategy_buildтолько чтениевнешний мир

Генерирует формальный поисковый запрос для систематического обзора по стандарту PRISMA на основе исследовательского вопроса / PICOS. Возвращает пронумерованные блоки синтаксиса для Embase и PubMed по каждой нити обзора (экономическая, клиническая, HRQoL, эпидемиология). Для PubMed — живые подсчеты через NCBI E-utilities: по каждой строке концепта, по всем концептам вместе и по полным запросам для каждой нити (концепт AND SIGN-фильтр NOT исключения AND ограничения). Блоки для Embase готовы к вставке — подсчеты для Embase НЕ вычисляются. Когда запрошена одна нить, pipeline_inputs.pubmed_query содержит полный запрос для этой нити; при нескольких нитях он остается только с концептами (см. pubmed_strand_counts). Эмтри-термы в Embase — ЧЕРНОВИК: сверьте с Emtree.

Генерирует формальный поисковый запрос для систематического обзора по стандарту PRISMA на основе исследовательского вопроса / PICOS. Возвращает пронумерованные блоки синтаксиса для Embase и PubMed по каждой нити обзора (экономическая, клиническая, HRQoL, эпидемиология). Для PubMed — живые подсчеты через NCBI E-utilities: по каждой строке концепта, по всем концептам вместе и по полным запросам для каждой нити (концепт AND SIGN-фильтр NOT исключения AND ограничения). Блоки для Embase готовы к вставке — подсчеты для Embase НЕ вычисляются. Когда запрошена одна нить, pipeline_inputs.pubmed_query содержит полный запрос для этой нити; при нескольких нитях он остается только с концептами (см. pubmed_strand_counts). Эмтри-термы в Embase — ЧЕРНОВИК: сверьте с Emtree.

Параметры

  • research_questionstring

    Free-text research question (optional if picos given)

  • picosobject

    Structured PICOS

  • condition_termsstring[]обязательный

    Disease/condition synonyms for the concept block (≥1)

  • population_termsstring[]

    Population/geography phrases (e.g. 'adults in the United Kingdom') — expanded into adult, England, Scotland, Wales, UK, etc. Keep separate from condition_terms.

  • intervention_termsstring[]

    Optional intervention synonyms

  • strandsstring[]обязательный

    Review strands to generate (≥1)

  • age_limitenum

    Optional age-group limit (MeSH/Emtree): child 0–12, adolescent 13–17, adult 18–44, middle_aged 45–64, senior 65+

    childadolescentadultmiddle_agedsenior
  • date_fromstring

    YYYY-MM-DD; lower bound of publication year

  • date_tostring

    YYYY-MM-DD; upper bound (defaults to current year)

  • languageenum

    Optional language limit

    english
  • run_countsboolean

    Fetch real PubMed counts (default true)

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

trial.enrollment_criteriaтолько чтениеидемпотентныйвнешний мир

Получает критерии набора/допуска для клинического исследования из ClinicalTrials.gov по номеру NCT. Возвращает структурированные критерии отбора (включения/исключения), первичные исходы, дизайн исследования и описание популяции. Используйте это ДО того, как строить анализ расхождений между исследуемой и реальной популяцией. Всегда вызывайте этот инструмент, а не полагайтесь на знания из обучающих данных о наборе в исследования.

Получает критерии набора/допуска для клинического исследования из ClinicalTrials.gov по номеру NCT. Возвращает структурированные критерии отбора (включения/исключения), первичные исходы, дизайн исследования и описание популяции. Используйте это ДО того, как строить анализ расхождений между исследуемой и реальной популяцией. Всегда вызывайте этот инструмент, а не полагайтесь на знания из обучающих данных о наборе в исследования.

Параметры

  • nct_idstringобязательный

    ClinicalTrials.gov identifier, e.g. NCT04184622

utils.validate_linksтолько чтениеидемпотентныйвнешний мир

Проверяет URL через HEAD-запросы и анализирует HTTP-статусы. Возвращает категорию: working (200), browser_only (401/403/407 — сайты, блокирующие ботов, но работающие в браузере), broken (404/410) или timeout/error. ВСЕГДА используй этот инструмент перед тем, как показывать ссылки пользователю — битые ссылки разрушают доверие. Передавай все URL, которые собираешься цитировать.

Проверяет URL через HEAD-запросы и анализирует HTTP-статусы. Возвращает категорию: working (200), browser_only (401/403/407 — сайты, блокирующие ботов, но работающие в браузере), broken (404/410) или timeout/error. ВСЕГДА используй этот инструмент перед тем, как показывать ссылки пользователю — битые ссылки разрушают доверие. Передавай все URL, которые собираешься цитировать.

Параметры

  • urlsstring[]обязательный

    List of URLs to validate (max 50)

  • timeout_msnumber

    Timeout per URL in ms (default 10000, max 30000)

utils.verify_citationsтолько чтениеидемпотентныйвнешний мир

Проверяет цитирования DOI/PMID через Crossref + NCBI E-utilities. Возвращает статус каждой цитаты: verified (разрешено), fabricated (идентификатор корректного формата, который разрешается в НИЧТО, вероятно, вымышленный DOI), unverifiable (сетевая ошибка или некорректный идентификатор — никогда не утверждает, что это вымысел), или url_only (URL без разрешимого DOI/PMID). Используйте это, чтобы отлавливать галлюцинированные ссылки ДО их представления — обычные LLM фабрикуют ~36-40% DOI. Передавайте до 100 цитат.

Проверяет цитирования DOI/PMID через Crossref + NCBI E-utilities. Возвращает статус каждой цитаты: verified (разрешено), fabricated (идентификатор корректного формата, который разрешается в НИЧТО, вероятно, вымышленный DOI), unverifiable (сетевая ошибка или некорректный идентификатор — никогда не утверждает, что это вымысел), или url_only (URL без разрешимого DOI/PMID). Используйте это, чтобы отлавливать галлюцинированные ссылки ДО их представления — обычные LLM фабрикуют ~36-40% DOI. Передавайте до 100 цитат.

Параметры

  • citationsobject[]обязательный

    Citations to verify (max 100). Each may carry a doi, pmid, url, and/or title.

  • timeout_msnumber

    Timeout per request in ms (default 8000, max 30000)

  • ai_disclosure_levelenum

    AI assistance disclosure level appended to the output. "off" = no disclosure (analyst scratch mode); "standard" = default visible block (model, tools called, sources, date, human-review reminder); "submission" = standard + ISPOR ELEVATE-GenAI citation (use for regulatory or payer submissions).

    offstandardsubmission
workflow.living_evidenceтолько чтениеидемпотентный

Оркестрирует сквозной конвейер living-evidence — AI-усиленный SLR → living knowledge base → deliverables для JCA/HTA ('от обзора до возмещения'). Возвращает упорядоченный ранбук вызовов инструментов: для stage='baseline' — полная цепочка (literature.search → screen → risk_of_bias → triangulation → network/indirect → cost_effectiveness → budget_impact → gap_analysis → claim_registry → dossier/JCA → consistency_check → living_review init); для stage='refresh' — только те шаги, которые запускаются переданными сигналами (material_change + recommended_downstream из literature.living_review, drifting_claims из evidence.consistency_check), так что неизменённое обновление — почти no-op. Это детерминированный генератор ранбуков — он НЕ выполняет шаги и не хранит состояние (вызывающий агент их выполняет; хост отвечает за персистентность и расписание обновлений). Используйте его для управления или документирования живого конвейера. Значения перечислений регистронезависимы.

Оркестрирует сквозной конвейер living-evidence — AI-усиленный SLR → living knowledge base → deliverables для JCA/HTA ('от обзора до возмещения'). Возвращает упорядоченный ранбук вызовов инструментов: для stage='baseline' — полная цепочка (literature.search → screen → risk_of_bias → triangulation → network/indirect → cost_effectiveness → budget_impact → gap_analysis → claim_registry → dossier/JCA → consistency_check → living_review init); для stage='refresh' — только те шаги, которые запускаются переданными сигналами (material_change + recommended_downstream из literature.living_review, drifting_claims из evidence.consistency_check), так что неизменённое обновление — почти no-op. Это детерминированный генератор ранбуков — он НЕ выполняет шаги и не хранит состояние (вызывающий агент их выполняет; хост отвечает за персистентность и расписание обновлений). Используйте его для управления или документирования живого конвейера. Значения перечислений регистронезависимы.

Параметры

  • interventionstringобязательный
  • indicationstringобязательный
  • stageenum
    baselinerefresh
  • project_idstring
  • material_changeboolean

    From literature.living_review refresh — gates the re-run steps.

  • new_recordsnumber
  • recommended_downstreamstring[]

    From literature.living_review (e.g. ['evidence_network','itc_feasibility']).

  • drifting_claimsstring[]

    From evidence.consistency_check — gates deliverable regeneration.

  • deliverablesstring[]

    Deliverables in scope, e.g. ['living_gvd','jca_submission','hta_submission','iegp'].

  • ai_disclosure_levelenum
    offstandardsubmission
workflow.maicтолько чтениеидемпотентный

Запускает стандартный пайплайн MAIC по поиску и отбору публикаций за один вызов: оценка пригодности ITC + параллельный поиск по литературе (широкий и по каждому исследованию) + отбор по PICO + построение сети доказательств. НЕ запускает автоматически оценку риска смещений (risk_of_bias — ей нужны названные исследования; отчёт подскажет, что на отобранном наборе нужно запустить risk_of_bias) и останавливается до проведения MAIC/Bucher (для них требуются данные отдельных пациентов или оценки эффектов на уровне исследований). Собирает структурированный отчёт из 9 разделов с явными следующими шагами. Используйте этот инструмент как единый оркестратор вместо того, чтобы вручную выстраивать цепочку из базовых инструментов через Claude/ChatGPT.

Запускает стандартный пайплайн MAIC по поиску и отбору публикаций за один вызов: оценка пригодности ITC + параллельный поиск по литературе (широкий и по каждому исследованию) + отбор по PICO + построение сети доказательств. НЕ запускает автоматически оценку риска смещений (risk_of_bias — ей нужны названные исследования; отчёт подскажет, что на отобранном наборе нужно запустить risk_of_bias) и останавливается до проведения MAIC/Bucher (для них требуются данные отдельных пациентов или оценки эффектов на уровне исследований). Собирает структурированный отчёт из 9 разделов с явными следующими шагами. Используйте этот инструмент как единый оркестратор вместо того, чтобы вручную выстраивать цепочку из базовых инструментов через Claude/ChatGPT.

Параметры

  • interventionstringобязательный

    Drug/intervention name.

  • comparatorstringобязательный

    Comparator drug name.

  • indicationstringобязательный

    Disease/condition.

  • trials_interventionstring[]

    Optional trial names (e.g., QUASAR, ASTRO) to search in parallel.

  • trials_comparatorstring[]

    Optional comparator-side trial names (e.g., INSPIRE, COMMAND).

  • picoobject

    Optional PICO criteria for screening (defaults derived).

  • effect_modifiersstring[]

    Optional effect modifiers known from clinical input.

  • outcome_typeenum
    binarycontinuoustime_to_event
  • max_results_per_searchnumber
  • runs_per_searchnumber
  • include_confounder_identificationboolean

    When true, after screening runs EFFECT-MODIFIER identification (confounder_identification with comparison_type set from `anchored`) and appends the section. Design log #43/#48.

  • anchoredboolean

    Anchored (default true) → adjust for effect modifiers only. false → unanchored: effect modifiers AND prognostic factors (much stronger assumption; NICE-sceptical). Sets comparison_type. NICE DSU TSD 18. Design log #48.

  • fetch_full_textboolean

    When true (with corpus_papers), retrieves open-access full text and feeds it into effect-modifier identification so source_location is checkable against real subgroup/table text. Design log #48.

  • corpus_papersobject[]

    Optional structured corpus for the submission path: effect-modifier identification runs in closed_corpus over these {pmid?, doi?, title, year?, abstract?}. Omit → open_search discovery fallback. Design log #48.

  • effect_modifier_extractionsobject[]

    Optional agent-extracted effect-modifier candidates. direction: treatment_predictor/both = effect modifier; prognostic = prognostic factor. Design log #48.

  • decisionsobject[]

    Methodological decisions made in conversation (source selection, comparator choice, screening criteria, model structure...). Each entry records the choice, the rationale (why), alternatives rejected, and who decided. Embedded in the audit trail Decision Log and, when a project is supplied, appended to wiki/decisions.md for cross-session recall. Tools never invent decisions — only pass what the user made or confirmed. Design log #52.

Другие проверенные MCP-сервера

twelvedata/mcp

twelvedata/mcp

официальный

MCP сервер Twelve Data для AI-ассистентов: цены акций, 60+ технических индикаторов, фундаментальные показатели, новости. Подключается к Claude и ChatGPT. Доступен в облаке или локально с API-ключом.

Python71
ezyang/codemcp

ezyang/codemcp

Этот MCP сервер превращает Claude Desktop в помощника для парного программирования. Он напрямую редактирует файлы, запускает тесты и фиксирует все изменения в Git. Идеально для автоматизации фич, багов и рефакторинга без копирования кода в чат.

Python1609
executeautomation/playwright-mcp-server

executeautomation/playwright-mcp-server

Сервер для браузерной автоматизации на Playwright. Используется AI-агентами для открытия страниц, скриншотов, веб-скрапинга и выполнения JavaScript в реальном браузере. Отлично подходит для тестиро...

TypeScript5578
Canner/wren-engine

Canner/wren-engine

официальный

Wren Engine — open source context engine для AI-агентов через MCP. Он заменяет сырые таблицы бизнес-моделями и метриками: агенты понимают контекст, строят точные запросы и соблюдают правила доступа...

Java664
Aiven-Open/mcp-aiven

Aiven-Open/mcp-aiven

официальный

MCP сервер для облачной платформы Aiven: управляйте PostgreSQL, Apache Kafka, приложениями и другими сервисами прямо из AI-ассистентов. Полезен разработчикам и DevOps для автоматизации облачной инфраструктуры.

TypeScript26
operative_sh/web-eval-agent

operative_sh/web-eval-agent

MCP-сервер для автономного тестирования и отладки веб-приложений из редактора кода. Запускает браузерного агента, который проходит сквозные сценарии, собирает консольные ошибки и сетевые запросы. У...

Python1241
© Каталог MCP, 2026. Все права защищены.
Проект не аффилирован с Anthropic и любыми упомянутыми продуктами.
Все названия и торговые марки принадлежат их владельцам.
Контакты для связи: hi@mcp-katalog.ru

Лука Никитин