血源性病毒预测模型的偏倚评估交给检索增强流程：与人类统计师、通用大模型对照，三者与专家共识的一致性相当
核心概要
血源性病毒预测模型的偏倚评估长期依赖人工逐条核对PROBAST+AI条目，费时且易受评审者差异影响。ARBITER把每条信号问题的判断建立在检索到的PROBAST+AI准则、统计方法与疾病特异性知识之上，并区分模型开发与验证两条路径。在9篇HIV、HBV、HCV预测模型研究的200条条目观察中，ARBITER与专家共识的加权κ为0.701，人工评审者为0.724，Claude Sonnet 4.6为0.714，置信区间相互重叠。
深度剖析
血源性病毒预测模型的偏倚评估现在可以由一条检索增强流程逐条给出判断，并附上可追溯的证据。 此前这类评估由评审者通读稿件、在PROBAST+AI的四个域上逐条判断，作者团队在上一项系统综述中判定71项研究里的64项（90%）为高偏倚风险，而逐条评估本身耗时且随评审者而变。 在9篇研究、200条信号问题观察上，ARBITER与专家共识的加权κ为0.701（95% CI 0.650–0.754），人工统计师评审者为0.724（0.674–0.774），Claude Sonnet 4.6为0.714（0.617–0.794），三者置信区间重叠。
每条判断不是由模型凭记忆给出，而是由当场拼装的提示驱动，提示里同时放入该条目的准则、检索到的统计方法段落和该研究对应路径的原文。 通用大模型即使拿到指南和原文，也容易给出流畅但缺少方法学依据的评估；此前的检索式系统多只从被评论文本身取证据。 准则文件覆盖开发与验证两条路径共34条信号问题及6项适用性评估，方法学知识库由PROBAST与PROBAST+AI指南、一本统计教材和方法学论文构成，按语义检索为每条问题组装提示。
三类评估者的错误落在不同位置，因此人工复核可以补上流程的失误，流程也能补上人工的疏漏。 仅看一致性系数无法说明分歧出现在哪里、由谁造成。 101条不一致观察解析出104个失败类型成分，其中推理失败39个（37.5%）、检索失败17个（16.3%）、准则歧义17个（16.3%）、真实分歧15个（14.4%）、阈值失准15个（14.4%）；ARBITER的推理失败最多（21个），人工评审者的检索失败集中在开发路径SQ 2.2上漏读方法段中的预处理描述。
启示与展望
这套流程的验证范围是9篇HIV、HBV、HCV预测模型研究，另加1篇用于迭代改进的论文；输入只含标题、摘要、方法与结果，表格与图未纳入。作者提出下一步是在更多血源性病毒预测模型和其他临床领域上验证，并探索对渲染页面做多模态检索以纳入表格与图。
作者说明这是早期概念验证，改进只在单篇论文上完成，不能说明改进能推广多广；条目评分嵌套于研究之内，虽用研究级聚类自助法处理，精度仍有限；质量分层由第一作者复核，未经三名评估者独立确认；统计知识库偏重传统方法，样本量充分性用每变量事件数而非Riley等人的最小样本量准则判断。