agentleFS
DariolexDariolex/pubmed-search-agent/.claude/skills/pubmed-search/SKILL.md

pubmed-search

Skill2 starsChanged 4 months agoMITView on GitHub

Cerca letteratura scientifica su PubMed a partire da una richiesta in linguaggio naturale. Usare quando l'utente digita /pubmed-search o chiede di trovare studi, articoli, trial o letteratura medica/scientifica su PubMed. Traduce la richiesta in una query PubMed, la esegue via NCBI E-utilities e ordina i risultati per rilevanza semantica.

  • Reads credentials

7 other projects use a version of this.

Adopted by

Most recently taken up by

  • Other versions7 projects use a version of this.

    Word for word · 1

    1. MammamiaWare/pubmed-search-agent★ 2100% same

    Edited · 0

    None found.

    Wrote their own version · 6

    1. wu-yc/LabClaw★ 1.1ksame name
    2. yorkeccak/scientific-skills★ 62same name
    3. runehub-ai/rune-hub★ 6same name
    4. 13647869173/pubmed-skills★ 4same name
    5. Yungho/family-doctor★ 2same name
    6. johnson7788/collect_skills★ 1same name

    How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.

  • In this repositoryOne other file it gives its agents.

The file

Files
SKILL.md

PubMed NL Search

Trasforma una richiesta in linguaggio naturale in una ricerca PubMed reale, poi filtra i risultati per pertinenza rispetto all'intento dell'utente.

Eseguire i comandi Python dalla radice del progetto (dove c'è pytest.ini), con src sul PYTHONPATH — es. PYTHONPATH=src python -m nl_query_translator .... Serve un file .env valido con NCBI_API_KEY, NCBI_TOOL_NAME, NCBI_EMAIL.

Flusso

1. Estrai il JSON intermedio dalla richiesta

Analizza la richiesta NL e costruisci questo JSON (schema esteso con provenienza):

{
  "intento_originale": "<la richiesta dell'utente, verbatim>",
  "concetti": [
    {"termine": "<concetto>", "sinonimi": ["<variante>"], "mesh": "<termine MeSH o null>", "provenienza": "<perché estratto>"}
  ],
  "operatore_tra_concetti": "AND",
  "esclusioni": [{"termine": "<da escludere>", "campo": "pt", "provenienza": "<perché>"}],
  "filtri": {
    "date": {"da": "<anno>", "a": "<anno>", "tipo": "dp"},
    "tipi_studio": ["<publication type>"],
    "lingua": "<lingua o null>",
    "brevetto": true
  }
}

Linee guida per l'estrazione:

  • Concetti: i nuclei clinici/scientifici della richiesta. Aggiungi sinonimi utili (varianti terminologiche, non traduzioni). Per il campo mesh, se hai un candidato plausibile (es. melanoma), non limitarti al tuo giudizio: verificalo con il resolver (vedi sotto) prima di popolarlo nel JSON finale.
  • operatore_tra_concetti: AND di norma (l'utente vuole tutti i concetti insieme). Usa OR solo se la richiesta è esplicitamente alternativa ("melanoma o carcinoma").
  • Esclusioni: frasi come "escludendo X", "senza X", "non case report" → NOT. Per i tipi di pubblicazione usa campo: "pt"; per termini liberi ometti campo.
  • Filtri date: "ultimi 3 anni" → calcola dalla data odierna (da = anno corrente − 3, a = anno corrente). tipo: dp (data di pubblicazione) di default.
  • Tipi di studio: "trial randomizzati" → randomized controlled trial; "meta-analisi" → meta-analysis; "review" → review. Più tipi vengono uniti in OR automaticamente.
  • Lingua: solo se la richiesta la specifica ("in inglese" → english).
  • Brevetto: imposta brevetto: true quando la richiesta chiede articoli i cui autori dichiarano un brevetto ("che dichiarano un brevetto", "con brevetto registrato", "autori con brevetti"); ometti il campo (non impostarlo a false) quando non richiesto. Aggiunge AND "patent*"[cois] alla query. Attenzione: PubMed non indicizza i brevetti — il filtro cerca nel Conflict of Interest Statement, che è testo libero. Cattura quindi anche le dichiarazioni negative ("gli autori non detengono brevetti"): vanno scartate leggendo coi_statement nella fase 5.

provenienza non entra nella query: serve a te e all'utente per il debug.

1bis. Verifica i termini MeSH candidati (opzionale, per concetto)

Per ogni concetto con un candidato MeSH plausibile, verifica il termine ufficiale prima di scrivere il JSON finale:

PYTHONPATH=src python -m mesh_resolver --termine "melanoma"

Restituisce JSON con descriptor (il nome ufficiale, o null se nessun match esatto) ed entry_terms (sinonimi ufficiali del vocabolario MeSH). Se descriptor non è null, usalo come valore di mesh nel JSON del concetto e valuta se aggiungere gli entry_terms più pertinenti a sinonimi. Se descriptor è null o il comando esce con errore, lascia mesh: null per quel concetto — è lo stesso comportamento di oggi, nessuna interruzione del flusso.

Questo passo è opzionale ma consigliato quando un concetto ha un candidato MeSH plausibile: sostituisce il giudizio estemporaneo con una verifica autoritativa contro il vocabolario controllato di NCBI.

2. Genera la query PubMed (fase deterministica)

Scrivi il JSON in un file temporaneo e invoca il traduttore:

PYTHONPATH=src python -m nl_query_translator --file /percorso/query.json --link

Stampa due righe: la query PubMed e il link web. Non costruire la query a mano — usa sempre questo comando, così la sintassi è corretta e riproducibile. Se il comando esce con errore, correggi il JSON e riprova.

3. Mostra la traduzione all'utente

Prima dei risultati, mostra la query PubMed generata e il link diretto a pubmed.ncbi.nlm.nih.gov, così l'utente può verificare l'interpretazione ed eventualmente correggerla.

4. Esegui la ricerca

PYTHONPATH=src python -m run_search --term "<query generata>" --retmax 30

Restituisce JSON con total_count, translated_query (come NCBI ha reinterpretato la query — utile se i risultati sorprendono), warnings e articles (con title, abstract, authors, journal, pub_date, pub_types, pmid, mesh_terms, doi, coi_statement).

5. Filtra e ordina per rilevanza

Leggi gli abstract e valuta la pertinenza di ciascun articolo rispetto a intento_originale. Scarta o declassa i non pertinenti (un articolo può matchare la query booleana ma non l'intento reale). Ordina dal più al meno pertinente.

Se hai attivato il filtro brevetto, leggi anche coi_statement di ogni articolo (la dichiarazione di conflitto d'interesse) e scarta le dichiarazioni negative: frasi come "the authors hold no patents", "no ... patent licensing", "no patents relevant to this work" indicano che l'articolo NON dichiara alcun brevetto, pur avendo matchato la query booleana. Il criterio è che la negazione sia riferita ai brevetti, non a un conflitto d'interesse generico.

Tieni invece le dichiarazioni positive ("is co-inventor of a patent", "filed a patent application", "receives royalties from a patent") e i casi misti, dove almeno un autore dichiara un brevetto. Attenzione: una coda come "the authors declare no other competing interests" dopo una disclosure di brevetto segnala un POSITIVO, non un negativo — è il pattern più frequente di falso scarto. Nella presentazione dei risultati, cita la parte pertinente della dichiarazione come motivazione.

Segnala anche gli articoli che sembrano pertinenti ma che la query booleana potrebbe aver escluso (falsi negativi da query troppo restrittiva), suggerendo un allargamento.

6. Presenta i risultati

Per ogni articolo pertinente: titolo, autori (primi 3), rivista, anno, PMID, e una breve motivazione della rilevanza. In testa: la query PubMed generata e il link web. Se total_count è 0, segnala che la query è troppo restrittiva e proponi come allargarla.

Se total_count è maggiore del numero di articoli mostrati (limite retmax/max), dillo esplicitamente e offri di vedere altri risultati con --retstart <N> (dove N è il numero di articoli già mostrati), riusando la stessa query. Esempio: PYTHONPATH=src python -m run_search --term "<query>" --retmax 30 --retstart 30 per la pagina successiva.

Se l'utente chiede di esportare i risultati (per Zotero, Mendeley, EndNote, o un documento LaTeX), usa export_results sul JSON già ottenuto:

PYTHONPATH=src python -m run_search --term "<query>" --retmax 30 | PYTHONPATH=src python -m export_results --formato ris > risultati.ris

--formato accetta ris (reference manager) o bibtex (LaTeX). Funziona identico sull'output di related_search.

Se hai usato il filtro brevetto, dillo all'utente in modo esplicito: la ricerca si basa sul Conflict of Interest Statement, quindi gli articoli che non pubblicano una dichiarazione di conflitto d'interesse non sono raggiungibili in alcun modo — non è un limite della query ma di come PubMed indicizza i dati.

Articoli simili o citazioni a partire da un PMID

Se l'utente chiede articoli simili a uno studio specifico, o chi lo ha citato, e fornisce (o è emerso in una ricerca precedente) un PMID, non serve costruire una query booleana: usa related_search direttamente.

PYTHONPATH=src python -m related_search --pmid <PMID> --tipo simili --max 30
PYTHONPATH=src python -m related_search --pmid <PMID> --tipo citazioni --max 30

--tipo simili trova articoli correlati per contenuto; --tipo citazioni trova articoli che citano quello di partenza (dal più recente al più vecchio). Restituisce lo stesso formato JSON di run_search (total_count, articles con abstract): applica lo stesso filtro di rilevanza semantica della fase 5, rispetto all'intento originale della richiesta, prima di presentare i risultati.

Se total_count è 0, dillo esplicitamente: per citazioni può significare che l'articolo è troppo recente per avere ricevuto citazioni, non un errore.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.