@nahisaho/satori 0.9.0 → 0.11.0

package/src/.github/skills/scientific-environmental-ecology/SKILL.md

@@ -0,0 +1,295 @@
+---
+name: scientific-environmental-ecology
+description: |
+  環境科学・生態学解析スキル。種分布モデリング（SDM / MaxEnt）・
+  生物多様性指標（α/β/γ 多様性）・群集構造解析（NMDS/CCA/RDA）・
+  生態学的ニッチモデリング・保全優先順位評価・OBIS/GBIF データ統合パイプライン。
+---
+
+# Scientific Environmental Ecology
+
+環境科学・生態学に特化した解析パイプラインを提供する。
+種分布モデリング、生物多様性評価、群集構造解析、
+保全優先順位付け、海洋/陸域の生態系データ統合を扱う。
+
+## When to Use
+
+- 種分布モデル（SDM）を構築して生息適地を推定するとき
+- 群集の生物多様性指標を算出・比較するとき
+- 群集構造の環境要因への応答を解析するとき（CCA / RDA）
+- GBIF / OBIS から出現データを取得して空間解析を行うとき
+- 保全優先区域の評価・ランキングを行うとき
+
+---
+
+## Quick Start
+
+## 1. 種分布モデリング（SDM）
+
+```python
+import numpy as np
+import pandas as pd
+from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
+from sklearn.model_selection import cross_val_score
+from sklearn.metrics import roc_auc_score
+
+def species_distribution_model(occurrences, background, env_layers,
+                                 method="maxent", n_folds=5):
+    """
+    種分布モデリング（SDM）パイプライン。
+
+    method:
+      - "maxent": MaxEnt — 最大エントロピーモデル（在データのみ可）
+      - "rf": Random Forest — 在/不在データ
+      - "gbm": Gradient Boosting — アンサンブル学習
+      - "ensemble": 複数モデルの加重平均
+
+    MaxEnt 原理:
+      P(x) を環境変数 x の関数として推定。
+      情報エントロピーを最大化する分布を選択:
+        H(P) = -Σ P(x) log P(x) → maximize
+      制約: E_P[fⱼ] = E_data[fⱼ] (特徴量の期待値一致)
+
+    入力:
+      - occurrences: 種の出現座標 (lon, lat)
+      - background: 疑似不在点 (lon, lat)
+      - env_layers: 環境変数ラスタ（Bio1-Bio19 等）
+    """
+    # 環境変数を出現/不在点で抽出
+    X_pres = extract_env_values(occurrences, env_layers)
+    X_bg = extract_env_values(background, env_layers)
+    X = np.vstack([X_pres, X_bg])
+    y = np.concatenate([np.ones(len(X_pres)), np.zeros(len(X_bg))])
+
+    if method == "maxent":
+        from elapid import MaxentModel
+        model = MaxentModel()
+        model.fit(X_pres, X_bg)
+        pred = model.predict(env_layers)
+
+    elif method == "rf":
+        model = RandomForestClassifier(n_estimators=500, random_state=42)
+        model.fit(X, y)
+        auc_scores = cross_val_score(model, X, y, cv=n_folds, scoring="roc_auc")
+        print(f"  RF AUC: {np.mean(auc_scores):.3f} ± {np.std(auc_scores):.3f}")
+        pred = model.predict_proba(env_layers.reshape(-1, env_layers.shape[-1]))[:, 1]
+
+    elif method == "gbm":
+        model = GradientBoostingClassifier(n_estimators=300, max_depth=5,
+                                            random_state=42)
+        model.fit(X, y)
+        auc_scores = cross_val_score(model, X, y, cv=n_folds, scoring="roc_auc")
+        print(f"  GBM AUC: {np.mean(auc_scores):.3f} ± {np.std(auc_scores):.3f}")
+
+    return model, pred
+
+
+def extract_env_values(coords, env_layers):
+    """座標から環境変数値を抽出する。"""
+    import rasterio
+    values = []
+    for lon, lat in coords:
+        row, col = env_layers.index(lon, lat)
+        values.append(env_layers.read()[:, row, col])
+    return np.array(values)
+```
+
+## 2. 生物多様性指標
+
+```python
+from scipy.stats import entropy
+
+def biodiversity_indices(community_matrix, metadata=None):
+    """
+    群集ベースの生物多様性指標算出。
+
+    α 多様性（サイト内）:
+      - Species richness: S = 種数
+      - Shannon: H' = -Σ pᵢ ln(pᵢ)
+      - Simpson: D = 1 - Σ pᵢ²
+      - Pielou's Evenness: J = H' / ln(S)
+      - Chao1: S_est = S_obs + f₁²/(2·f₂)
+
+    β 多様性（サイト間）:
+      - Bray-Curtis dissimilarity
+      - Jaccard distance
+      - Sørensen index
+      - Whittaker's β: γ/ᾱ - 1
+
+    γ 多様性（景観全体）:
+      - 全サイトの合計種数
+    """
+    results = []
+    for idx, row in community_matrix.iterrows():
+        counts = row[row > 0].values
+        freqs = counts / counts.sum()
+        S = len(counts)
+
+        H = entropy(freqs)
+        D_simpson = 1 - np.sum(freqs ** 2)
+        J = H / np.log(S) if S > 1 else 0
+
+        f1 = np.sum(counts == 1)
+        f2 = max(np.sum(counts == 2), 1)
+        chao1 = S + (f1 ** 2) / (2 * f2)
+
+        results.append({
+            "site": idx,
+            "richness": S,
+            "shannon": round(H, 4),
+            "simpson": round(D_simpson, 4),
+            "evenness": round(J, 4),
+            "chao1": round(chao1, 1),
+            "total_abundance": int(counts.sum()),
+        })
+
+    alpha_df = pd.DataFrame(results).set_index("site")
+
+    # γ 多様性
+    gamma = (community_matrix > 0).any(axis=0).sum()
+    mean_alpha = alpha_df["richness"].mean()
+    beta_whittaker = gamma / mean_alpha - 1
+
+    summary = {
+        "gamma_diversity": gamma,
+        "mean_alpha": round(mean_alpha, 2),
+        "beta_whittaker": round(beta_whittaker, 3),
+    }
+
+    print(f"  Biodiversity: γ={gamma}, ᾱ={mean_alpha:.1f}, β_w={beta_whittaker:.3f}")
+    return alpha_df, summary
+```
+
+## 3. 群集構造解析（NMDS / CCA / RDA）
+
+```python
+def community_ordination(community_matrix, env_df=None, method="nmds",
+                           n_dims=2, distance="bray"):
+    """
+    群集構造の序列化（Ordination）。
+
+    method:
+      - "nmds": Non-metric Multidimensional Scaling — ランクベース
+      - "cca": Canonical Correspondence Analysis — 制約付き（単峰型応答）
+      - "rda": Redundancy Analysis — 制約付き（線形応答）
+      - "dca": Detrended Correspondence Analysis — 勾配長評価
+
+    NMDS stress 基準:
+      - < 0.05: Excellent
+      - < 0.10: Good
+      - < 0.20: Acceptable
+      - > 0.20: Poor（次元数増加を検討）
+    """
+    from skbio.stats.ordination import pcoa
+    from skbio.diversity import beta_diversity
+    from scipy.spatial.distance import squareform
+
+    if method == "nmds":
+        from sklearn.manifold import MDS
+        dm = beta_diversity(distance, community_matrix.values,
+                             community_matrix.index)
+        mds = MDS(n_components=n_dims, dissimilarity="precomputed",
+                   metric=False, random_state=42, max_iter=500)
+        coords = mds.fit_transform(squareform(dm.data))
+        stress = mds.stress_
+        print(f"  NMDS: stress={stress:.4f} ({n_dims}D)")
+        return coords, stress
+
+    elif method == "pcoa":
+        dm = beta_diversity(distance, community_matrix.values,
+                             community_matrix.index)
+        result = pcoa(dm)
+        return result.samples.values[:, :n_dims], result.proportion_explained[:n_dims]
+```
+
+## 4. 種の保全優先順位評価
+
+```python
+def conservation_priority(species_data, criteria_weights=None):
+    """
+    保全優先順位の多基準評価。
+
+    IUCN レッドリスト基準:
+      - CR: Critically Endangered
+      - EN: Endangered
+      - VU: Vulnerable
+      - NT: Near Threatened
+
+    評価基準:
+      1. 絶滅リスク（IUCN カテゴリ）
+      2. 系統的独自性（Evolutionary Distinctiveness）
+      3. 生息地面積減少率
+      4. Endemic 性（固有種かどうか）
+      5. 生態系サービス寄与
+    """
+    if criteria_weights is None:
+        criteria_weights = {
+            "iucn_score": 0.30,
+            "evolutionary_distinctiveness": 0.20,
+            "habitat_loss_rate": 0.20,
+            "endemism": 0.15,
+            "ecosystem_service": 0.15,
+        }
+
+    iucn_mapping = {"CR": 5, "EN": 4, "VU": 3, "NT": 2, "LC": 1, "DD": 0}
+    species_data["iucn_score"] = species_data["iucn_category"].map(iucn_mapping)
+
+    # 正規化
+    for col in criteria_weights:
+        if col in species_data.columns:
+            min_v = species_data[col].min()
+            max_v = species_data[col].max()
+            if max_v > min_v:
+                species_data[f"{col}_norm"] = (species_data[col] - min_v) / (max_v - min_v)
+
+    # Composite score
+    species_data["priority_score"] = sum(
+        w * species_data.get(f"{col}_norm", 0) for col, w in criteria_weights.items()
+    )
+    species_data = species_data.sort_values("priority_score", ascending=False)
+
+    print(f"  Conservation: {len(species_data)} species ranked")
+    return species_data
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/sdm_predictions.tif` | GeoTIFF |
+| `results/biodiversity_indices.csv` | CSV |
+| `results/ordination_scores.csv` | CSV |
+| `results/conservation_priority.csv` | CSV |
+| `figures/sdm_map.png` | PNG |
+| `figures/nmds_plot.png` | PNG |
+| `figures/diversity_comparison.png` | PNG |
+
+### 利用可能ツール
+
+> [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で利用可能な外部ツール。
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| OBIS | `OBIS_search_taxa` | 海洋生物分類検索 |
+| OBIS | `OBIS_search_occurrences` | 海洋生物出現データ |
+| GBIF | `GBIF_search_species` | 種名検索 |
+| GBIF | `GBIF_search_occurrences` | 出現記録検索 |
+| Paleobiology | `Paleobiology_get_fossils` | 化石記録データ |
+| OLS | `ols_search_terms` | 生態学オントロジー検索 |
+| PubMed | `PubMed_search_articles` | 生態学文献検索 |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-statistical-testing](../scientific-statistical-testing/SKILL.md) | 多様性有意差検定 |
+| [scientific-pca-tsne](../scientific-pca-tsne/SKILL.md) | 次元削減・序列化 |
+| [scientific-ml-classification](../scientific-ml-classification/SKILL.md) | SDM モデル（RF/GBM） |
+| [scientific-image-analysis](../scientific-image-analysis/SKILL.md) | リモートセンシング画像解析 |
+| [scientific-time-series](../scientific-time-series/SKILL.md) | 生態系時系列トレンド |
+
+#### 依存パッケージ
+
+- scikit-bio, rasterio, geopandas, elapid, shapely, pygbif

package/src/.github/skills/scientific-epidemiology-public-health/SKILL.md

@@ -0,0 +1,332 @@
+---
+name: scientific-epidemiology-public-health
+description: |
+  疫学・公衆衛生解析スキル。観察研究デザイン（コホート/症例対照/横断）・
+  リスク指標（RR/OR/HR/NNT）・標準化死亡比（SMR）・年齢調整率・
+  空間疫学（GIS / 空間クラスタリング）・因果推論ダイアグラム（DAG）・
+  WHO/CDC/EU 公衆衛生データ統合パイプライン。
+---
+
+# Scientific Epidemiology & Public Health
+
+疫学研究と公衆衛生データ解析のパイプラインを提供する。
+研究デザイン設計、リスク指標算出、交絡調整、
+空間疫学、健康格差評価、公衆衛生データベース連携を体系的に扱う。
+
+## When to Use
+
+- 観察研究のリスク指標（RR / OR / HR）を算出するとき
+- 年齢調整率・標準化死亡比（SMR）を計算するとき
+- 空間疫学（疾患クラスタリング・GIS マッピング）を行うとき
+- DAG（有向非巡回グラフ）で交絡構造を分析するとき
+- WHO / CDC / EU の公衆衛生データを取得・解析するとき
+
+---
+
+## Quick Start
+
+## 1. リスク指標算出
+
+```python
+import numpy as np
+import pandas as pd
+from scipy.stats import norm
+
+def calculate_risk_measures(a, b, c, d, alpha=0.05):
+    """
+    2×2 分割表からリスク指標を算出する。
+
+                Disease+    Disease-
+    Exposed+      a           b        → a+b
+    Exposed-      c           d        → c+d
+                 a+c         b+d        N
+
+    指標:
+      - Risk (Incidence): R = cases / total
+      - Risk Ratio (RR): R_exposed / R_unexposed（コホート研究）
+      - Odds Ratio (OR): (a·d) / (b·c)（症例対照研究）
+      - Risk Difference (RD): R_exposed - R_unexposed
+      - NNT (Number Needed to Treat): 1 / |RD|
+      - Attributable Fraction (AF): (RR - 1) / RR
+    """
+    z = norm.ppf(1 - alpha / 2)
+
+    # Risk
+    R1 = a / (a + b)  # Exposed
+    R0 = c / (c + d)  # Unexposed
+
+    # Risk Ratio
+    RR = R1 / R0
+    ln_RR_se = np.sqrt(1/a - 1/(a+b) + 1/c - 1/(c+d))
+    RR_ci = (RR * np.exp(-z * ln_RR_se), RR * np.exp(z * ln_RR_se))
+
+    # Odds Ratio
+    OR = (a * d) / (b * c)
+    ln_OR_se = np.sqrt(1/a + 1/b + 1/c + 1/d)
+    OR_ci = (OR * np.exp(-z * ln_OR_se), OR * np.exp(z * ln_OR_se))
+
+    # Risk Difference
+    RD = R1 - R0
+    RD_se = np.sqrt(R1*(1-R1)/(a+b) + R0*(1-R0)/(c+d))
+    RD_ci = (RD - z * RD_se, RD + z * RD_se)
+
+    # NNT
+    NNT = 1 / abs(RD) if RD != 0 else np.inf
+
+    # Attributable fraction
+    AF = (RR - 1) / RR if RR > 0 else 0
+
+    results = {
+        "risk_exposed": round(R1, 4),
+        "risk_unexposed": round(R0, 4),
+        "RR": round(RR, 4), "RR_CI": [round(x, 4) for x in RR_ci],
+        "OR": round(OR, 4), "OR_CI": [round(x, 4) for x in OR_ci],
+        "RD": round(RD, 4), "RD_CI": [round(x, 4) for x in RD_ci],
+        "NNT": round(NNT, 1),
+        "AF": round(AF, 4),
+    }
+
+    print(f"  RR={RR:.3f} ({RR_ci[0]:.3f}–{RR_ci[1]:.3f}), "
+          f"OR={OR:.3f} ({OR_ci[0]:.3f}–{OR_ci[1]:.3f})")
+    return results
+```
+
+## 2. 年齢調整率・SMR
+
+```python
+def age_standardization(observed_df, standard_pop, method="direct"):
+    """
+    年齢調整率と標準化死亡比。
+
+    method:
+      - "direct": 直接法 — 標準人口の年齢構成で重み付け
+        ASR = Σ(年齢別率ᵢ × 標準人口割合ᵢ)
+      - "indirect": 間接法 — SMR (Standardized Mortality Ratio)
+        SMR = 観察死亡数 / 期待死亡数
+        期待死亡数 = Σ(標準年齢別率ᵢ × 対象人口ᵢ)
+
+    SMR の 95% CI（Byar's approximation）:
+      SMR_lower = SMR × (1 - 1/(9·O) - z/(3·√O))³
+      SMR_upper = (O+1)/E × (1 - 1/(9·(O+1)) + z/(3·√(O+1)))³
+    """
+    if method == "direct":
+        # 直接法年齢調整率
+        merged = observed_df.merge(standard_pop, on="age_group")
+        merged["weighted_rate"] = merged["rate"] * merged["std_proportion"]
+        asr = merged["weighted_rate"].sum()
+
+        # 分散（二項近似）
+        merged["var_component"] = (merged["std_proportion"] ** 2 *
+                                    merged["rate"] * (1 - merged["rate"]) /
+                                    merged["population"])
+        se = np.sqrt(merged["var_component"].sum())
+
+        return {
+            "ASR": round(asr, 6),
+            "ASR_per_100k": round(asr * 1e5, 2),
+            "SE": round(se, 6),
+            "CI_95": [round((asr - 1.96*se)*1e5, 2), round((asr + 1.96*se)*1e5, 2)],
+        }
+
+    elif method == "indirect":
+        # 間接法 SMR
+        merged = observed_df.merge(standard_pop, on="age_group",
+                                     suffixes=("_obs", "_std"))
+        merged["expected"] = merged["rate_std"] * merged["population_obs"]
+        O = merged["deaths_obs"].sum()
+        E = merged["expected"].sum()
+
+        SMR = O / E
+        z = 1.96
+
+        # Byar's approximation
+        lower = SMR * (1 - 1/(9*O) - z/(3*np.sqrt(O)))**3
+        upper = ((O+1)/E) * (1 - 1/(9*(O+1)) + z/(3*np.sqrt(O+1)))**3
+
+        print(f"  SMR={SMR:.3f} ({lower:.3f}–{upper:.3f}), O={O}, E={E:.1f}")
+        return {"SMR": round(SMR, 4), "CI_95": [round(lower, 4), round(upper, 4)],
+                "observed": O, "expected": round(E, 1)}
+```
+
+## 3. 空間疫学・疾患クラスタリング
+
+```python
+def spatial_cluster_detection(cases_gdf, population_gdf, method="kulldorff"):
+    """
+    空間疾患クラスタリング。
+
+    method:
+      - "kulldorff": Kulldorff's spatial scan statistic（SaTScan）
+        H₀: λ(s) = 常数（一様リスク）
+        H₁: ∃ 円形ウィンドウ Z で λ_in > λ_out
+        LLR = (O_Z/E_Z)^{O_Z} × ((O-O_Z)/(O-E_Z))^{O-O_Z}
+      - "moran": Local Moran's I（局所空間自己相関）
+        Iᵢ = zᵢ Σⱼ wᵢⱼ zⱼ
+      - "getis_ord": Getis-Ord Gi* — ホットスポット検出
+
+    用途:
+      - 疾患の地理的集積（クラスター）の検出
+      - ホットスポット / コールドスポットの同定
+    """
+    import geopandas as gpd
+    from libpysal.weights import Queen
+    from esda.moran import Moran_Local
+    from esda.getisord import G_Local
+
+    if method == "moran":
+        W = Queen.from_dataframe(cases_gdf)
+        W.transform = "r"
+        rates = cases_gdf["cases"] / cases_gdf["population"]
+        lisa = Moran_Local(rates.values, W)
+
+        cases_gdf["local_moran_I"] = lisa.Is
+        cases_gdf["local_moran_p"] = lisa.p_sim
+        cases_gdf["cluster_type"] = classify_lisa(lisa)
+
+        n_hotspots = (cases_gdf["cluster_type"] == "HH").sum()
+        n_coldspots = (cases_gdf["cluster_type"] == "LL").sum()
+        print(f"  LISA: {n_hotspots} hotspots, {n_coldspots} coldspots")
+
+    elif method == "getis_ord":
+        W = Queen.from_dataframe(cases_gdf)
+        W.transform = "b"
+        rates = cases_gdf["cases"] / cases_gdf["population"]
+        g_local = G_Local(rates.values, W)
+
+        cases_gdf["gi_star"] = g_local.Zs
+        cases_gdf["gi_p"] = g_local.p_sim
+        cases_gdf["hotspot"] = (g_local.Zs > 1.96) & (g_local.p_sim < 0.05)
+
+    return cases_gdf
+
+
+def classify_lisa(lisa, p_threshold=0.05):
+    """LISA クラスタ分類（HH/HL/LH/LL/NS）。"""
+    types = []
+    for i in range(len(lisa.Is)):
+        if lisa.p_sim[i] > p_threshold:
+            types.append("NS")
+        elif lisa.q[i] == 1:
+            types.append("HH")
+        elif lisa.q[i] == 2:
+            types.append("LH")
+        elif lisa.q[i] == 3:
+            types.append("LL")
+        elif lisa.q[i] == 4:
+            types.append("HL")
+    return types
+```
+
+## 4. DAG ベース交絡分析
+
+```python
+def dag_confounding_analysis(dag_edges, exposure, outcome):
+    """
+    DAG（有向非巡回グラフ）ベースの交絡分析。
+
+    パイプライン:
+      1. DAG 構築
+      2. バックドアパス列挙
+      3. 最小調整セット（Sufficient Adjustment Set）同定
+      4. d-分離判定
+
+    Pearl のバックドア基準:
+      変数セット Z がバックドア基準を満たす ⟺
+      Z が X→Y の全バックドアパスをブロックし、
+      Z に X の子孫が含まれない
+    """
+    import networkx as nx
+    from dowhy import CausalModel
+
+    G = nx.DiGraph()
+    G.add_edges_from(dag_edges)
+
+    # バックドアパス
+    backdoor_paths = find_backdoor_paths(G, exposure, outcome)
+
+    # 最小調整セット
+    adjustment_sets = find_adjustment_sets(G, exposure, outcome)
+
+    result = {
+        "n_backdoor_paths": len(backdoor_paths),
+        "backdoor_paths": backdoor_paths,
+        "adjustment_sets": adjustment_sets,
+        "minimal_adjustment": min(adjustment_sets, key=len) if adjustment_sets else [],
+    }
+
+    print(f"  DAG: {len(backdoor_paths)} backdoor paths, "
+          f"minimal adjustment = {result['minimal_adjustment']}")
+    return result
+
+
+def find_backdoor_paths(G, source, target):
+    """バックドアパス（X ← ... → Y）を列挙する。"""
+    undirected = G.to_undirected()
+    all_paths = list(nx.all_simple_paths(undirected, source, target))
+    backdoor = [p for p in all_paths if G.has_edge(p[1], source)]
+    return backdoor
+
+
+def find_adjustment_sets(G, exposure, outcome):
+    """最小十分調整セットを求める（簡易実装）。"""
+    from itertools import combinations
+    nodes = set(G.nodes()) - {exposure, outcome}
+    sets = []
+    for r in range(len(nodes) + 1):
+        for combo in combinations(nodes, r):
+            if blocks_all_backdoor(G, exposure, outcome, set(combo)):
+                sets.append(list(combo))
+    return sets
+
+
+def blocks_all_backdoor(G, X, Y, Z):
+    """Z がすべてのバックドアパスをブロックするか判定。"""
+    # 簡易 d-separation チェック
+    return True  # 要完全実装
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/risk_measures.json` | JSON |
+| `results/age_standardized_rates.csv` | CSV |
+| `results/spatial_clusters.geojson` | GeoJSON |
+| `results/dag_analysis.json` | JSON |
+| `figures/disease_map.png` | PNG |
+| `figures/dag_diagram.png` | PNG |
+| `figures/forest_plot.png` | PNG |
+
+### 利用可能ツール
+
+> [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で利用可能な外部ツール。
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| WHO | `who_gho_get_data` | WHO GHO データ取得 |
+| WHO | `who_gho_query_health_data` | WHO 健康指標クエリ |
+| CDC | `cdc_data_search_datasets` | CDC データセット検索 |
+| CDC | `cdc_data_get_dataset` | CDC データ取得 |
+| EUHealthInfo | `euhealthinfo_search_surveillance_mortality_rates` | 死亡率データ |
+| EUHealthInfo | `euhealthinfo_search_healthcare_expenditure` | 医療費データ |
+| EUHealthInfo | `euhealthinfo_search_population_health_survey` | 健康調査データ |
+| HealthDisparities | `health_disparities_get_svi_info` | 社会脆弱性指標 |
+| HealthDisparities | `health_disparities_get_county_rankings_info` | 地域健康ランキング |
+| ClinicalTrials | `search_clinical_trials` | 臨床試験検索 |
+| PubMed | `PubMed_Guidelines_Search` | 公衆衛生ガイドライン |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-causal-inference](../scientific-causal-inference/SKILL.md) | 因果推論・傾向スコア |
+| [scientific-survival-clinical](../scientific-survival-clinical/SKILL.md) | 生存解析・Cox 回帰 |
+| [scientific-meta-analysis](../scientific-meta-analysis/SKILL.md) | メタアナリシス・系統的レビュー |
+| [scientific-infectious-disease](../scientific-infectious-disease/SKILL.md) | 感染症疫学 |
+| [scientific-bayesian-statistics](../scientific-bayesian-statistics/SKILL.md) | ベイズ空間モデル |
+
+#### 依存パッケージ
+
+- geopandas, libpysal, esda, dowhy, lifelines, scipy, statsmodels