Kostenlose, lokal installierbare KI-Software für systematisches Literaturscreening, entwickelt von der Universität Utrecht. Das Active-Learning-Modell lernt aus jeder Reviewer-Entscheidung und priorisiert die verbleibenden Treffer dynamisch — laut Publikationen in Nature Machine Intelligence und Patterns kann es den Screening-Aufwand um bis zu 95 % reduzieren. Da alle Daten lokal verbleiben, ist ASReview die datenschutzfreundlichste Option für sensible Dossier-Kontexte.
Kosten: Vollständig kostenlos und Open Source (MIT-Lizenz). Lokale Installation via Python/pip. Gehostete Version für Institutionen auf Anfrage verfügbar.
Stärken
- Vollständig kostenlos und Open Source — keine Lizenzkosten, kein Vendor-Lock-in
- Lokale Verarbeitung: Daten verlassen nie den eigenen Rechner oder Server — DSGVO-konform
- Active Learning spart nachweislich bis zu 95 % Screening-Aufwand (in Nature Machine Intelligence validiert)
- Kein Cloud-Datenschutz-Problem: ideal für vertrauliche Studiendaten oder unveröffentlichte CTD-Inhalte
- Version 2.0 (Mai 2025): Multi-Reviewer-Unterstützung, verbesserte Nutzeroberfläche
- Wissenschaftlich publiziert und peer-reviewed — methodisch vertrauenswürdig für regulatorische Kontexte
Einschränkungen
- Erfordert Python-Installation — kein reines Browser-Tool wie Rayyan oder Covidence
- Interface ausschließlich auf Englisch
- Kein integrierter Datenextraktions-Workflow (nur Screening)
- Kein kommerzieller Support — Community und Dokumentation statt Helpdesk
- Kollaboration mehrerer Reviewer erfordert selbst-gehostete Lösung oder lokalen Server
Passt gut zu
So steigst du ein
Schritt 1: ASReview via pip installieren: pip install asreview (Python 3.8+). Danach asreview lab im Terminal starten — der Browser öffnet die lokale Weboberfläche automatisch. Die offizielle Dokumentation auf asreview.readthedocs.io erklärt alle Schritte in Englisch.
Schritt 2: Suchergebnisse als RIS- oder CSV-Datei aus PubMed, Embase oder anderen Datenbanken exportieren und in ein neues ASReview-Projekt importieren. Dann ca. 10–30 Treffer manuell labeln (relevant / nicht relevant), damit das Active-Learning-Modell lernen kann.
Schritt 3: Screening fortsetzen. ASReview zeigt ab dem ersten Learning-Schritt bevorzugt die wahrscheinlich relevanten Treffer an. Sobald mehrere aufeinander folgende Records irrelevant sind, kann die Vollständigkeit geprüft und das Screening beendet werden. Ergebnisse als CSV exportieren und in den Datenextraktions-Workflow (z. B. Excel oder DistillerSR) überführen.
Ein konkretes Beispiel
Ein HEOR-Team eines mittelgroßen Biotech-Unternehmens bereitet den systematischen Review für Modul 4 des AMNOG-Dossiers vor. Das Unternehmen hat keine DistillerSR-Lizenz und will Studiendaten nicht in die Cloud hochladen. ASReview läuft lokal auf dem Laptop der Senior-HEOR-Wissenschaftlerin: 2.800 Treffer aus MEDLINE und Embase werden geladen, nach 150 manuellen Entscheidungen priorisiert das Active-Learning-Modell die verbleibenden Records. Das manuelle Screening reduziert sich auf ca. 900 Records — alle relevanten Studien wurden mit 98 % Recall erfasst. Gesamtaufwand: 3 statt 10 Werktage für das Titelscreening. Daten blieben zu jeder Zeit auf dem lokalen Gerät.
Diesen Inhalt teilen:
Empfohlen in 1 Use Cases
Pharmaindustrie
Redaktionell bewertet · Preise und Funktionen können sich ändern.
Stimmt etwas nicht?
Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.
Nicht sicher, ob ASReview LAB zu euch passt?
Wir helfen bei der Tool-Auswahl und begleiten die Einführung in euren Arbeitsalltag — unverbindlich und kostenlos im Erstgespräch.
Weitere Tools
Connected Papers
Connected Papers Ltd.
Visualisiert Zitationsnetzwerke wissenschaftlicher Paper als interaktive Graphen. Ausgehend von einem bekannten Paper werden ähnliche und verwandte Arbeiten sichtbar gemacht — ideal zum Aufspüren von wichtigen Vorläuferarbeiten und aktuellen Ableitungen, die eine klassische Stichwortsuche übersieht.
Mehr erfahrenCovidence
Covidence Pty Ltd
Das von Cochrane empfohlene Standard-Tool für systematische Literaturreviews. Covidence bildet den gesamten PRISMA-Prozess ab — von Titelscreening über Volltextreview bis Datenextraktion und Risk-of-Bias — mit kollaborativem Dual-Reviewer-Workflow, automatischer Konflikterkennung und seit 2024 schrittweise eingeführten KI-Funktionen für Relevanz-Sortierung und Datenextraktion.
Mehr erfahrenDistillerSR
Evidence Partners
KI-gestützte Plattform für systematische Literaturreviews im regulierten HEOR- und HTA-Umfeld. Wird laut Anbieter von über 70 % der 20 größten Pharma- und Medizinproduktehersteller weltweit genutzt. AI Rerank lernt in Echtzeit aus Reviewer-Entscheidungen und priorisiert ungesichtete Studien dynamisch; AI Classifiers kategorisieren nach Studiendesign, Intervention oder PICO-Elementen.
Mehr erfahren