Claude Code · Codex · Cursor · Copilot을 위한 의학연구 스킬

전체 스킬 번들의 단일 진입점. 요청을 분류하여 적합한 스킬로 라우팅하거나, Full Pipeline Mode로 여러 스킬을 자동으로 체이닝합니다.

• ✓자동 의도 분류
• ✓End-to-end 파이프라인: 스킬 자동 연결
• ✓프로젝트 컨텍스트 감지

MedSci Skills용 읽기 전용 설치 진단. 로컬 Python/R/Node/Claude Code 및 MCP 사용 가능 여부를 확인하고, 설치나 변경 없이 필요한 온보딩 문서로 안내합니다.

• ✓읽기 전용 환경 점검
• ✓Python/R/Node/Claude Code 준비 상태 리포트
• ✓누락 구성요소를 setup 문서로 연결

PubMed + Semantic Scholar + bioRxiv 검색. 인용 조작 방지 기능으로 모든 레퍼런스를 API로 검증합니다.

• ✓모든 레퍼런스 API 검증
• ✓BibTeX 출력에 verified / verified_by / verified_on 필드
• ✓가짜 인용 방지

.md / .docx / .bib / .tsv 원고의 투고 전 레퍼런스 감사. CrossRef + PubMed로 DOI/PMID를 검증하고 qc/reference_audit.json을 단일 진실 소스로 기록합니다. 가짜 레퍼런스가 투고되기 전에 차단합니다. Gate 5 PMID/DOI 중복 탐지 포함.

• ✓CrossRef & PubMed 기반 DOI + PMID 검증
• ✓verified_references.tsv / library.bib / reference_audit.json 출력
• ✓PostToolUse 훅이 원고 저장 시 자동 실행 (auto / warn / enforce 모드)
• ✓PMID/DOI 중복 탐지

오픈 액세스 PDF 일괄 다운로드. Unpaywall → PMC → OpenAlex → CrossRef 순서로 탐색합니다.

• ✓DOI 목록 또는 TSV 입력
• ✓PDF 유효성 자동 검증
• ✓유료 논문 수동 확인 목록 생성

48개 보고 가이드라인 및 비뚤림 위험 도구 대비 원고 준수 감사. 항목별 평가와 섹션 경계 확인을 제공합니다.

• ✓STROBE, STARD, STARD-AI, PRISMA, CONSORT, TRIPOD+AI, CARE, MI-CLEAR-LLM
• ✓QUADAS-2, RoB 2, ROBINS-I, PROBAST, NOS
• ✓Results/Discussion 경계 확인

분석 단위, 코호트 논리, 데이터 누출 위험, 검증 전략을 식별합니다.

• ✓데이터 누출 위험 감지
• ✓비교군 설계 검토
• ✓보고 가이드라인 매칭

회귀분석, propensity score, 반복측정 등 13개 분석 유형을 위한 재현 가능한 Python/R 코드. 예측 모델에는 calibration 필수.

• ✓회귀(로지스틱/선형), propensity score (PSM/IPTW), 반복측정 (GEE/혼합모형)
• ✓DTA, 생존분석, 인구통계, 일치도
• ✓저널별 테이블 포맷팅

저널 규격 Figure 및 visual abstract: ROC curve, forest plot, flow diagram, Kaplan-Meier 등.

• ✓300 DPI, 색각이상 안전 팔레트
• ✓PRISMA / CONSORT / STARD 흐름도
• ✓Visual/graphical abstract (python-pptx 템플릿)

연구의 중요성, 혁신성, 접근법, 마일스톤, 컨소시엄 역할을 구조화합니다.

• ✓NIH / 한국연구재단 형식 지원
• ✓Specific Aims 페이지
• ✓예산 정당화

새 연구 프로젝트를 분류하고, 현재 상태를 요약하며, 다음 단계를 제안합니다.

• ✓프로젝트 유형 분류
• ✓누락 입력 감지
• ✓경량 스캐폴딩

학술 발표 준비: 논문 분석, 발표 스크립트, 슬라이드 노트 삽입, Q&A 대비.

• ✓청중 맞춤 스크립트
• ✓PPTX 노트 자동 삽입
• ✓다관점 Q&A 준비

개인 Claude Code 스킬을 배포 가능한 오픈소스 패키지로 변환합니다.

• ✓자동 개인정보 감사
• ✓라이선스 호환성 검사
• ✓범용화 파이프라인

8단계 체계적 문헌고찰 및 메타분석 파이프라인. DTA (bivariate/HSROC) 및 중재 MA를 PRISMA-DTA 기준으로. Dual-extractor + cohort overlap 탐지 포함.

• ✓프로토콜부터 원고까지 파이프라인
• ✓Bivariate & HSROC 모델
• ✓PRISMA-DTA 준수
• ✓Dual-extractor SR-MA
• ✓Cohort overlap 탐지

개요부터 투고 가능 원고까지 8단계 IMRAD 파이프라인. Critic-Fixer 루프와 섹션 경계 제어 내장.

• ✓Results 섹션 해석 방지 가드레일
• ✓앵커 논문 기반 Discussion
• ✓AI 작문 패턴 감지

투고 전 10개 카테고리 점검. 연구 유형별 분기 지원 (AI, 관찰, 교육, 메타분석, 증례, 외과).

• ✓Major / Minor 심각도 분류
• ✓예측 모델 calibration 필수 확인
• ✓R0 넘버링 (/revise 연계)

심사 결과 레터를 파싱하여 MAJOR/MINOR/REBUTTAL로 분류하고, 항목별 응답을 생성합니다.

• ✓구조화된 응답 템플릿
• ✓페이지/라인 참조 변경 이력
• ✓커버 레터 생성

연구 프로젝트 스캐폴딩, 작성 진행 추적, 투고 체크리스트 및 역방향 타임라인 생성.

• ✓init --zotero-collection 옵션으로 Zotero 컬렉션 자동 생성 (pyzotero)
• ✓단계별 진행 추적
• ✓투고 전 체크리스트

SSOT ↔ submission 드리프트 감사 및 저널 패키지 도우미. submission/{journal}/를 파생 출력물로 취급하고 .journal_meta.json에 소스 해시를 기록하며, 드리프트가 발생한 패키지의 freeze를 차단합니다.

• ✓SHA-256 소스 해시 기반 드리프트 감지
• ✓저널별 패키지 freeze / unfreeze 워크플로우
• ✓SSOT 분기 시 투고 차단

결정 트리 기반 검정 선택으로 11개 설계를 지원하는 대화형 표본 크기 계산기. Cox regression EPV 포함.

• ✓DTA, t-test, ANOVA, chi-square, McNemar, 생존분석
• ✓로지스틱 회귀 & Cox EPV (Peduzzi 규칙)
• ✓IRB 제출용 정당화 텍스트

연구 데이터셋 표준화, 유효성 검증, 변환. 결측치, 이상치 감지, 변수 리코딩을 처리합니다.

• ✓결측치 요약 및 대체
• ✓이상치 감지 (IQR, Z-score)
• ✓코드북 생성

스코프, Impact Factor, 심사 기간, OA 정책을 기반으로 투고 저널을 매칭합니다.

• ✓스코프 & 독자층 매칭
• ✓Impact Factor / CiteScore 조회
• ✓OA 비용 & 심사 기간 추정

SPIRIT 기준 연구 프로토콜과 체계적 문헌고찰용 PROSPERO 등록 초안을 생성합니다.

• ✓SPIRIT 체크리스트 통합
• ✓PROSPERO 등록 초안
• ✓윤리위원회 제출 보일러플레이트

저널 프로필을 데이터베이스에 추가합니다. 저자 가이드라인에서 메타데이터를 추출하여 이중 프로필(write-paper + find-journal)을 품질 게이트와 함께 생성합니다.

• ✓저자 가이드라인 자동 추출
• ✓이중 프로필 생성
• ✓일괄 추가 모드

LLM 분석 전 임상 연구 데이터를 비식별화합니다. 10개국 로케일 팩을 지원하는 독립 Python CLI. LLM 미사용.

• ✓정규식 + 휴리스틱 기반 PHI 탐지
• ✓대화형 터미널 검토
• ✓날짜 이동 & 가명처리

종단 코호트 데이터베이스에서 연구 공백을 탐색합니다. 6단계 파이프라인(코호트 접수 → PI 프로파일링 → 교차 매트릭스 → 문헌 포화도 스캔 → 6-Pattern 점수화 → 실현가능성 게이트)으로 순위별 연구 주제 제안서를 출력합니다.

• ✓NHIS, UK Biobank, 기관 EMR, 건강검진 레지스트리 등 모든 코호트 지원
• ✓실현가능성 게이트 포함 6-Pattern Gap 점수화
• ✓순위별 제안서 + One-pager 출력

기존 코호트 연구를 다른 데이터베이스에서 복제합니다. 원논문에서 방법론을 추출하고, 변수 매핑 테이블로 harmonization한 뒤, 분석 코드를 생성하고 차이 보고서를 출력합니다.

• ✓5단계 워크플로우: 원논문 분석 → 변수 매핑 → 코드 생성 → 차이 보고서 → 검증
• ✓KNHANES/NHANES harmonization 테이블 내장
• ✓Joo 2026 cross-national 복제로 검증 완료

병렬 조사 데이터를 활용한 다국가 비교 연구. 변수 harmonization, 국가별 가중치 분석(데이터 풀링 금지), 국가별 층화 비교표를 생성합니다.

• ✓KNHANES + NHANES + CHNS 변수 코딩 레퍼런스 내장
• ✓국가별 survey design으로 데이터 풀링 없이 분석
• ✓2국 및 3국 비교 설계 지원

검증된 템플릿 1개 × 다수 노출/결과 조합에서 N개의 분석 스크립트를 생성합니다. 동일 방법론으로 변수만 교체하는 '80명 팀' 패턴.

• ✓자기조정 방지 & EPV 체크
• ✓Bonferroni 보정 & 요약 히트맵
• ✓검증: KNHANES 18조합, 3국 45조합 성공

IRB 및 기관 Word 양식 템플릿(.doc/.docx)을 원본 레이아웃, 셀 구조, 서식을 보존하면서 자동으로 작성합니다. 프로토콜 초안에서 내용을 추출하여 레이블이 지정된 양식 셀에 매핑합니다.

• ✓원본 양식 구조 보존 — 레이아웃 깨짐 없음
• ✓한국 IRB 양식 셀 레이블 매칭
• ✓원본 백업 + LibreOffice 변환

공저자별 ICMJE Conflict of Interest 공개 폼(.docx)을 사전 작성된 seed 문서로부터 일괄 생성합니다. 13개 공개 항목과 체크박스 상태는 그대로 두고 날짜, 저자명, 원고 제목만 치환합니다.

• ✓PII 제거된 합성 seed 포함 (재배포 안전)
• ✓Word Content Control(SDT) 내부 XML 리터럴 치환
• ✓실행 후 검증: ☒ 14개, "None" 13개, placeholder 유출 0

학술 원고에서 AI 작문 패턴을 탐지하고 제거합니다. 18개 패턴(significance inflation, AI 어휘, copula 회피 등)을 스캔하여 기술적 정확성을 유지하면서 자연스러운 문체로 재작성합니다.

• ✓인스턴스별 플래깅으로 18패턴 탐지
• ✓밀도 목표: 1,000단어당 AI 표현 2.0건 미만
• ✓p값·임상 용어 등 모든 수치 보존 재작성

PubMed 저자 프로필 분석. E-utilities로 출판 이력을 가져와 연구 유형(GBD, SR/MA, NHIS, AI/ML 등)을 분류하고, 7개 시각화와 복제 기회 포함 전략 보고서를 생성합니다.

• ✓E-utilities 배치 fetch + 중복 제거
• ✓연구 유형 분류기: GBD, SR/MA, NHIS, AI/ML, 다국가, 증례 시리즈
• ✓공저자 gap 분석 포함 복제 기회 점수화

의학영상 저널용 체계적 동료 심사 초안 작성. 저널별 포맷(RYAI, INSI, EURE, AJR, KJR), 간결성 목표(500~800단어), 제출 전 QC 체크리스트를 제공합니다. Phase 2A SR-MA 8-probe 확장 포함.

• ✓근거 포함 Major/Minor/Reject 추천
• ✓영상의학 5개 저널 포맷 프리셋
• ✓제출 전 QC: 단어 수, 톤, 윤리 적신호
• ✓SR-MA Phase 2A (P1-P8)

메타분석 주제 발굴 및 실현가능성 평가. Professor-first(프로필 → 기둥 분석 → MA 공백) 또는 Topic-first(질문 → 현황 스캔 → 공저자 매칭) 두 가지 모드. 다중 소스 검증과 현실적 k 추정 제공.

• ✓Professor-first · Topic-first 이중 모드
• ✓PubMed, PROSPERO, bioRxiv 다중 소스 검증
• ✓등록 15~30% 할인 반영한 현실적 k 추정

.bib 파일을 Zotero 라이브러리 + Obsidian 문헌 노트에 동기화합니다. 누적된 10개 이상의 노트에서 개념 추출 및 교차 주제 발견. /search-lit 이후 또는 독립 실행 모두 가능.

• ✓Better BibTeX 키 매칭으로 Zotero 가져오기
• ✓위키링크 포함 Obsidian 문헌 노트 생성
• ✓10개 이상 노트에서 교차 개념 자동 추출

의학 AI 논문의 AI 검색 엔진(Perplexity, ChatGPT web, Elicit, Consensus, SciSpace) 및 RAG 문헌 도구 대상 노출 체크리스트. TRIPOD+AI, CLAIM, STARD-AI, TRIPOD-LLM, DECIDE-AI 보고 앵커를 generative-engine-optimization(GEO) 원칙과 결합합니다.

• ✓Title, Abstract, Key Points, Plain-Language Summary, 프리프린트, README, CITATION.cff, Zenodo, Hugging Face 카드까지 커버
• ✓LLM 인용 조작 방어 (Agarwal 2025, Nat Commun)
• ✓가시적 PASS / PARTIAL / FAIL 체크리스트 — 은밀한 편집 금지

citekey ↔ .bib 검증, 저널 CSL pandoc 렌더링, 원고 ↔ 렌더된 DOCX 교차참조 QC, [N] ↔ [@key] 마커 변환, 그리고 공저자 Word 협업을 위한 Zotero CWYW 필드 코드 주입. manuscript_final.docx와 qc/xref_audit.json의 단독 writer. Hybrid 3-phase 전략 (pandoc 초안 → CWYW 전환 → 회람·revision·투고는 Zotero CWYW).

• ✓check_citation_keys.py + check_xref.py --strict 가 투고 게이트
• ✓내장 저널 CSL: ER, Radiology, AJR, CVIR, KJR, Vancouver — cascade rejection 재렌더 수 초
• ✓Native CSL-JSON CWYW 주입 (webpage / report / 비-저널 item type 정상 처리)

참고문헌 없는 학술 마크다운(연구계획서, 브리핑 핸드아웃, anchor doc, IRB cover, 비교표)을 pandoc + xelatex으로 출판 품질 PDF로 렌더링합니다. manage-refs와 정반대 — 참고문헌 X, 레이아웃 중심.

• ✓CJK 폰트 fallback: macOS Apple SD Gothic Neo, Linux Noto Sans CJK KR
• ✓표 컬럼 폭 자동 추론 — 첫 열은 라벨에 맞춰 좁히고 데이터 열은 남은 폭을 content-proportional 분배
• ✓회람용 PDF에서 변경이력·버전번호·PI attribution 제거하는 redact_internal 플래그

직접 고친 것(추가한 저널 프로필, 수정한 체크리스트 항목, 과에 맞게 바꾼 스킬)을 git 명령 한 줄 없이 pull request 또는 issue로 프로젝트에 되돌려 보냅니다.

• ✓설치된 버전과 내 사본을 비교
• ✓환자 데이터·식별자를 사전 스캔
• ✓모든 변경 줄을 보여주고, 확인 전에는 아무것도 보내지 않음

관찰연구의 문헌 기반 변수 운영화. 데이터 사전 + 연구 질문 → 노출 / 결과 / 보정변수 정의, 컷오프, DB 변수 매핑이 인용으로 뒷받침된 표. Tier 0 dictionary-first 룰로 reviewer reject을 부르는 ad-hoc phenotype 정의를 차단. /search-lit과 /write-protocol Methods를 잇는 다리.

• ✓Dictionary-first Tier 0 강제 (codebook entry verbatim 인용)
• ✓/search-lit 출력을 /write-protocol Methods에 매끄럽게 연결
• ✓변수별 인용 출처 (source / row / verbatim mapping) 명시

AI 시스템을 인간 전문가 패널과 비교 평가하는 연구의 설계·타당도 검토. arm 정의, 보정 프로브가 포함된 다차원 루브릭, 평가자 패널, 평가자 간 신뢰도 목표, LLM-as-judge 대 인간 판정을 다룹니다.

• ✓AI 대 전문가 평가 설계
• ✓보정 프로브 · 평가자 간 신뢰도 목표
• ✓LLM-as-judge 대 인간 판정

표 형식 데이터셋(CSV·Excel·Parquet·Stata·SAS)에서 인용 가능한 데이터 사전/코드북 생성. 변수별 역할·유형·범주 빈도·범위·결측을 프로파일링하고, 의미가 불명확한 코드 변수는 추측 대신 [NEEDS DICTIONARY]로 표시합니다.

• ✓변수별 프로파일링 → codebook.md + .json
• ✓불명확한 코드는 추측 없이 표시
• ✓/define-variables(dictionary-first) 연계

재현성을 위한 데이터셋 버전 관리. 결정론적 content-hash 매니페스트(파일 SHA-256 + 스키마 + 컬럼별 값 해시)를 만들고, 이후 복사본을 검증해 드리프트를 탐지하며, 두 매니페스트를 비교합니다 — 의도한 데이터로 분석했음을 증명합니다.

• ✓content-hash 매니페스트(SHA-256 + 스키마)
• ✓드리프트 탐지: 스키마 / 행 / 값
• ✓데이터셋·데모 재현성 락

문헌고찰을 설계·작성합니다 — 내러티브(SANRA), 스코핑(PRISMA-ScR + JBI), 체계적(PRISMA 2020). 범위·비중복 블록을 갖춘 7부 골격을 만들고 self-review·check-reporting·verify-refs로 연결합니다.

• ✓내러티브 / 스코핑 / 체계적 모드
• ✓필수 범위·비중복 블록
• ✓인용 환각 없음 — verify-refs 연계

학술 영어 일관성 린팅과 비원어민(ESL) 명료화 교정. 결정론적 린터가 약어·US/UK 철자·en-dash 범위·P/p 표기·하이픈·단위 간격 문제를 표시하고, 게이트형 교정이 수치·인용·과학적 의미를 건드리지 않고 문장만 다듬습니다.

• ✓7종 결정론적 일관성 리포트
• ✓문체만 교정 — 수치·인용 불변
• ✓humanize(AI 문체 제거)와 구분

"어떤 연구 질문에 어떤 아키텍처"를 정하는 의사결정 도구. task·modality·데이터 규모·class imbalance를 근거로 논문에 기반한 아키텍처 후보를 좁혀 주며, 각 후보에 원논문·사용 시점·의료영상 활용·reference 구현·대응 scaffold 템플릿을 함께 제시합니다.

• ✓Task → 아키텍처 의사결정 트리
• ✓논문 기반 아키타입 (CNN, ViT, U-Net, SAM/MedSAM, SSL)
• ✓선택을 model-scaffold로 인계

의료영상 task(segmentation, classification, detection, synthesis, self-supervised pretraining)를 위한 재현 가능하고 바로 실행되는 PyTorch 학습 레포를 생성합니다. 환자 단위 seed-locked split, train/evaluate 스크립트, Methods stub을 함께 제공하며, MONAI / nnU-Net을 통합할 뿐 재구현하지 않습니다.

• ✓5개 task 템플릿, 구조적으로 leakage-safe
• ✓감사 가능한 환자 단위 seed-locked split
• ✓Training-hygiene AST 게이트 + 네트워크 불필요 빌드 테스트

엔지니어가 만든 의료영상 모델의 임상 검증 설계를 점검하거나 설계합니다. 환자 단위 split disjointness, data-leakage taxonomy, internal vs external validation, comparator 설계, task에 맞는 metric 선택을 다루며, 결정론적 split-leakage 게이트를 제공합니다.

• ✓Split-leakage 게이트로 환자 disjointness 증명
• ✓Leakage taxonomy + tuning-on-test 점검
• ✓CLAIM 2024 / TRIPOD+AI / STARD-AI 보고 적합성

엔지니어가 만든 모델이 갖춰야 할 문서를 생성합니다. Model Card(Mitchell et al. 2019), 데이터셋 Datasheet(Gebru et al. 2021), METRIC 데이터 품질 점검을 사용자가 제공한 사실만으로 채운 뒤, 필수 항목이 모두 채워졌는지 completeness 게이트로 검증합니다.

• ✓Model Card + Datasheet 템플릿
• ✓사실 입력만, 환각 없음 · 게이트가 완성도 점검
• ✓METRIC 기반 데이터 품질 점검

학습된 모델의 held-out 성능을 task에 맞게 산출·보고합니다. Dice + HD95/NSD, bootstrap CI를 포함한 AUROC/AUPRC, FROC/mAP, calibration, subgroup 분석을 수행하고, analyze-stats용 case 단위 표를 생성합니다. 모든 수치는 실행된 코드에서만 나옵니다.

• ✓Task에 맞는 metric + bootstrap CI
• ✓Calibration + subgroup 성능
• ✓Metrics Reloaded / CLAIM 2024 게이트

임상 task(보고서 생성, visual question answering, 임상 텍스트 추출)에 대해 LLM 또는 MLLM을 모델 무관하게 평가하는 하네스입니다. adjudicated reference, 임상 효용 metric(RadGraph-F1 / CheXbert-F1), faithfulness, contamination, prompt sensitivity, reader study를 다룹니다.

• ✓BLEU/ROUGE를 넘어선 임상 효용 metric
• ✓Contamination + prompt-sensitivity 점검
• ✓Reader study + MLLM reviewer probe

DICOM/NIfTI 로딩, resampling, intensity normalization, augmentation를 설계·감사하여 학습 전에 leakage-safe한 전처리 파이프라인을 만듭니다.

• ✓선언적 preprocessing manifest
• ✓data-stage leakage 게이트 (normalizer는 train에서만 fit)
• ✓MONAI / TorchIO transform 통합

radiomics·tabular 특징 → classical learner → 임상 결과의 clinical-ML 연구를 nested-CV·feature-stability·calibration 게이트와 함께 생성·감사합니다. GPU 불필요.

• ✓nested cross-validation (보고 fold에서 튜닝 금지)
• ✓feature-stability (ICC) 필터링 + calibration
• ✓LASSO / SVM / random forest / XGBoost, learner-무관

Grad-CAM / saliency 해석을 reviewer 기준으로 생성·감사합니다 — sanity check, ground truth 대비 정량적 localization, attribution(정답 증명 아님) framing.

• ✓Adebayo model/data-randomization sanity check
• ✓ground truth 대비 정량 localization (IoU / pointing game)
• ✓cherry-pick이 아닌 cohort 단위 attribution

배포를 전제한 imaging model의 uncertainty quantification, out-of-distribution 탐지, selective prediction 계층을 설계·감사합니다.

• ✓case별 calibrated uncertainty (MC-dropout / ensemble / conformal)
• ✓held-out set에서 검증된 OOD 가드
• ✓사전 지정 operating point에서 abstention

모델링 결정을 내리기 전에 의료영상 데이터셋을 프로파일링합니다. acquisition grid, voxel spacing과 orientation 분포, intensity domain, 실제로 존재하는 label 값, target이 차지하는 부피 비율을 측정한 뒤, 선언한 계획과 대조해 게이트를 겁니다.

• ✓ground truth가 없는 "test set"을 탐지
• ✓label과 image의 grid 불일치·미등록 label index 적발
• ✓stdlib만으로 재검증 가능한 dataset-profile JSON 산출

연구가 올라탈 third-party 모델을 architecture family가 아니라 구체적 대상(이 repository, 이 revision, 이 checkpoint)으로 검증합니다. model dossier를 기록하고 결정론적으로 게이트합니다.

• ✓모델 개발에 쓰인 benchmark 위에 올라간 evaluation arm 적발
• ✓licence·intended use·pretrained weight provenance 기록
• ✓revision 고정 강제. artifact를 검증할 뿐 내려받거나 실행하지 않음