BD disease-cea-auto
Автоматическая оценка фармакоэкономики заболеваний — для любого указанного заболевания автоматически разрабатывает подходящую модель Маркова / дерева решений, ищет в сети наиболее часто используемые в настоящее время лекарства, ищет параметры модели (эффективность, частота побочных эффектов, полезность, стоимость и т. д.), использует последний ВВП Китая на душу населения (1x) в качестве порогового значения WTP за QALY, рассчитывает инкрементальную стоимость-эффективность (ICER) и денежную чистую выгоду (NMB) для каждого лекарства, ранжирует от большего к меньшему и окончательно выводит полный код Python + отчет в формате научной статьи. Автоматическая оценка фармакоэкономики заболеваний — для любого указанного заболевания автоматически разрабатывает подходящую модель Маркова или дерева решений, идентифицирует наиболее часто используемые в настоящее время лекарства с помощью веб-поиска, извлекает параметры модели (частота ответа, частота побочных эффектов, значения полезности, затраты и т. д.), использует последний ВВП Китая на душу населения (1x) в качестве порогового значения WTP за QALY, рассчитывает ICER и NMB для каждого лекарства, ранжирует от большего к меньшему и выводит полный код Python плюс отчет в стиле научной статьи. Ключевые слова: фармакоэкономическая оценка, CEA, анализ стоимости-эффективности, ICER, NMB, сравнение нескольких лекарств, сравнение схем лечения, анализ стоимости-эффективности, экономическая оценка, несколько лекарств, QALY, ранжирование NMB.
машинный переводПоказать оригиналСкрыть оригинал«疾病药物经济学自动评价 Skill — 对任意指定疾病，自动设计适合的 Markov / 决策树模型框架， 联网遴选当前最常用治疗药物，搜索…»
疾病药物经济学自动评价 Skill — 对任意指定疾病，自动设计适合的 Markov / 决策树模型框架， 联网遴选当前最常用治疗药物，搜索模型参数（有效率、AE率、效用值、费用等）， 以中国最新人均 GDP（1倍）为 QALY 支付阈值，计算每种药物的增量成本效果比（ICER）与 货币化净收益（NMB），从大到小排序，最终输出完整 Python 代码 + 科学论文格式报告。 Disease Pharmacoeconomics Auto-Evaluation Skill — For any specified disease, automatically designs an appropriate Markov or decision tree model framework, identifies the most commonly used treatment drugs through web-based search, retrieves model parameters (response rate, adverse event rate, utility values, costs, etc.), uses China's latest per capita GDP (1×) as the WTP threshold per QALY, calculates ICER and NMB for each drug, ranks from highest to lowest, and outputs complete Python code plus a scientific paper–style report. 触发词：药物经济学评价、CEA、成本效果分析、ICER、NMB、多药对比、治疗方案比较、 cost-effectiveness analysis, economic evaluation, multiple drugs, QALY, NMB ranking。
Автоматическая оценка фармакоэкономики заболеваний — для любого указанного заболевания автоматически разрабатывает подходящую модель Маркова / дерева решений…
Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 49/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 55Ошибки и развилки. Развилок: 1
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 69
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2107 токенов
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 854: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
- -31 из 1 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 14 заголовков
- +3Пошаговые инструкции: 69 пунктов
- +4Есть примеры (1 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 62.