Life Sciences

目次

1. 導入 1.1 本記事の概要 1.2 想定読者と利用シーン 1.3 本記事のポイント 2. 背景と目的 2.1 背景 2.2 現状の課題 2.3 本取り組みの目的 3. n8nの概要 3.1 n8nとは 3.2 特徴 4. PubMedの概要 4.1 PubMedとは 4.2 特徴 5. PubMed自動化フロー n8nの全体像 6. 出力イメージ 7. まとめ Appendix. 実装ステップ

1. 導入

1.1 本記事の概要

前回（「PubMed最新論文を定期配信　n8nで実現する自動化ワークフロー」）では、PubMed から最新論文を自動取得し、SlackやGmailに通知する仕組みを紹介しました。研究現場において「新着情報をタイムリーに得られる」ことは大きな価値がありますが、それだけでは実務での再利用や体系的な知識管理に繋がりません。

今回の記事では、通知の仕組みをさらに一歩進め、取得した論文をGoogle Sheetsに保存し、重複を排除して整理する方法を解説します。単なる通知から「ナレッジの資産化」へと進化させることで、研究・開発活動における情報活用の基盤が整います。

特に、検索条件を調整することで最新論文だけでなく過去分の文献もまとめて整理でき、結果として疾患領域ごとのナレッジベースが形成されていきます。本記事は、その第一歩を示す実例です。

1.2 想定読者と利用シーン

本記事は以下のような方を対象としています：

• 製薬企業・医療機器メーカーの研究開発・メディカルアフェアーズ部門の担当者
• PubMed検索を日常的に行い、情報を効率的に整理・共有したい方
• Slack通知を既に導入しているが、過去分も含めた体系的なDB化を進めたい方
• 将来的にクラウドDBやBIツールとの連携を視野に入れている方

利用シーンの例

• 「糖尿病」「oncology」といった検索条件で最新＋過去数年分を収集し、疾患領域別のナレッジベースを構築
• チームメンバーが即座に新規論文を把握しつつ、既存の知見を検索可能な形で一元管理
• 将来的にBigQueryやSnowflakeへ移行し、自然言語での検索や可視化分析を発展させる

1.3 本記事のポイント

• 通知にとどまらず「ナレッジの資産化」へ進化
• 検索条件を変えることで最新論文だけでなく過去分も体系的に格納可能
• PMIDをキーにした重複排除で効率化
• Slack通知で新規件数を即座に共有
• 将来的にはクラウドDB化により、検索性・分析性・対話型活用を実現

2. 背景と目的

2.1 背景

研究現場では、Slackやメールによる論文通知が一般的に使われています。新着情報を逃さずキャッチできる点は有用ですが、その一方で「流れて終わる」ことがほとんどで、数日後・数週間後に再び参照しようとすると探し出すのが困難になります。

また、Excelやフォルダを使った手動管理も試みられますが、重複や検索性の低下、属人化といった問題が避けられません。これらの手法は、短期的な情報共有には役立っても、長期的な知識基盤の形成には不十分です。

2.2 現状の課題

• 最新論文の把握はできても、過去分を含めた体系的な管理が難しい
• チーム全体での一元管理ができず、必要な文献をすぐに検索できない
• 個人に依存した管理になり、情報の共有や再利用が進まない

2.3 本取り組みの目的

• PubMed論文を自動でDB化し、検索可能な形で格納する
• 検索条件を変えて最新〜過去分まで柔軟に対応
• PMIDを主キーに重複を排除し、効率的に一元管理を実現
• Slack通知で更新件数を即時共有し、チーム内の情報格差を解消

3. n8nの概要

3.1 n8nとは

n8nは、オープンソースのワークフロー自動化ツールです。コードを書かずにさまざまなサービスをつなぐことができ、研究業務でも幅広く活用可能です。

3.2 特徴

• 無料で利用できるセルフホスト型ツール
• Zapierなど商用SaaSと比べて柔軟性が高く、細かな制御や独自ロジックを組み込みやすい
• 医療・研究領域でも、論文モニタリング、DB格納、データ整形など多様な用途に適用可能

実務上の利点
研究現場で使われる他のSaaS（例：Zapier）は便利な反面、費用やデータ管理上の制約があります。n8nはセルフホスト型であるため、医療情報のような機微なデータを扱う場合でも社内環境に閉じて運用できるというメリットがあります。

4. PubMedの概要

4.1 PubMedとは

PubMedは米国国立医学図書館（NLM）が提供する生物医学文献データベースで、世界中の研究者が利用する最重要リソースのひとつです。

4.2 特徴

• 世界最大級の生物医学・ライフサイエンス文献データベース
• 無料で利用可能で、毎日更新される最新情報を取得できる
• APIが公開されており、自動化による情報取得が容易

5. PubMed自動化フロー n8nの全体像

今回構築するワークフローは以下の流れで構成されます。

PubMed API → データ整形 → 重複チェック → Google Sheets保存 → Slack通知

• PubMed APIで論文IDを取得
• 既存データと照合し、新規のみ抽出
• 詳細情報を取得して整形
• Google Sheetsに保存
• Slackに件数通知

6. 出力イメージ

Slack通知例

Google Sheets保存例

実際の出力は次のようになります。

Google Sheets出力カラムの意味

•	Run_date: ワークフローを実行した日付。どのタイミングでDBに登録されたかを記録します。
•	Search_query: PubMed検索時に指定した条件（例：「糖尿病」「oncology」など）。後から検索条件ごとに絞り込み・分析するのに役立ちます。
•	PMID: PubMedで付与される一意の論文ID。主キーとして扱い、重複排除の基盤になります。
•	DOI: 論文のDOI（Digital Object Identifier）。ジャーナル公式サイトなど外部リンクの特定に使用します。
•	Title: 論文タイトル。検索や目視確認の基本項目です。
•	Authors: 著者名一覧。責任著者・研究グループの把握に利用できます。
•	Journal: 掲載ジャーナル名。論文の信頼性や領域特性を把握するための基礎情報です。
•	Pub_date: 論文の出版日（または年）。研究の新規性を判断する際に重要です。
•	Abstract: 論文抄録。PubMedから取得した原文をそのまま保存しています。
•	AI_summary（日本語要約）: LLMで生成した要約。短時間で論文の概要を理解でき、非専門者との共有にも有効です。
•	URL: PubMed上の論文ページへの直リンク。クリック一つで原文にアクセスできます。

このように列を設計しておくことで、検索条件の記録・AI要約の付与・URLでの直リンクが可能となり、DBとしての価値が大きく高まります。

7. まとめ

本記事では、PubMed論文をGoogle Sheetsに保存し、重複排除とSlack通知を組み合わせるワークフローを紹介しました。

• 通知にとどまらず、ナレッジの資産化が可能になる
• 最新論文だけでなく過去分も含めて整理できる
• 将来的にクラウドDBやBIツールへの移行もスムーズ

研究現場において、単なる情報配信から「知識を蓄積し、活用できる状態に進化させること」は極めて重要です。本記事がその第一歩を踏み出す参考になれば幸いです。

Appendix. 実装ステップ

0) 事前準備（Google Sheets & 列設計）

目的：DB化するための固定スキーマを準備（PMIDは主キー運用）

• Sheet Name: Sheet1（推奨 / gid=0）
• 列（順序固定）

Run_date / Search_query / PMID / DOI / Title / Authors / Journal / Pub_date / Abstract / AI_summary / URL

• n8nで使う識別子
  • Document ID：スプレッドシートURLの /d/ と /edit の間
  • Sheet Name：Sheet1
  • gid：通常 0

1) Trigger

ノード: Schedule Trigger
Purpose: 本番の定期実行（例：毎週月曜 10:00 JST）

mode: everyWeek
dayOfWeek: Monday
hour: 10   # Tokyo

ノード: Manual Trigger（When clicking ‘Execute workflow’）
Purpose: 開発・スポット実行用
接続: → PubMed_eSearch

2) PubMed Search & Filter

ノード: PubMed_eSearch（HTTP Request）
Purpose: PubMed eSearch APIでPMID一覧を取得

Method: GET
URL: https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi

Query Parameters:

  db=pubmed
  term=diabetes[Title/Abstract] OR "diabetes mellitus"[MeSH Terms]
  datetype=pdat
  reldate=7
  retmax=20
  sort=pub+date
  retmode=json

過去分バッチ取得の例

• reldate を使わず期間指定：

datetype=pdat&mindate=2022/01/01&maxdate=2024/12/31

• もしくは term に期間を埋め込み：

term=(diabetes[Title/Abstract]) AND ("2022"[Date - Publication] : "2024"[Date - Publication])

ノード: Get row(s) in sheet（Google Sheets: Read）
Purpose: 既存PMID（C列）を読み出す

•	Document ID：<あなたのID>
•	Sheet：Sheet1（gid=0）
•	Range例：C2:C10000

ノード: ColleCollect_existing（Code）
Purpose: C列から既存PMID配列 seen を作成

// 入力: Google Sheets Read の出力
const rows = $items();
const seen = rows
  .map(r => String(r.json.PMID ?? r.json.C ?? '').trim())
  .filter(x => x);
return [{ json: { seen } }];

ノード: Filed_New_ID（Code）
Purpose: eSearchの idlist から未登録PMIDのみ抽出

// 入力: PubMed_eSearch の idlist と ColleCollect_existing の seen を前段で合流させておく
const ids = $input.first().json.idlist || [];    // eSearchのPMID配列
const seen = $input.item(1)?.json.seen || [];    // 2番目入力: 既存PMID
const newIds = ids.filter(id => !seen.includes(String(id)));
return [{ json: { ids: newIds } }];

ノード: IF
Purpose: 新規がある時のみ詳細取得へ
条件:

$json.ids && $json.ids.length > 0

• True → 次のセクションへ
• False → ワークフロー終了（新規なし）

3) PubMed Fetch & Data Prep

ノード: PubMed_eFetch（HTTP Request）
Purpose: 新規PMIDの詳細XMLを取得（タイトル/著者/抄録/誌名/発行日/DOI）

Method: GET
URL: https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi

Query Parameters:

  db=pubmed
  id={{ $json.ids.join(',') }}
  retmode=xml

ノード: Data conversion（XML）
Purpose: XML → JSON 変換（オプションは既定でOK）

ノード: Data summarization（Code）
Purpose: JSONの揺れを吸収しつつ主要フィールドを正規化して1論文=1アイテムに

// 入力: XMLノードの出力(JSON化済)
const set = $json.PubmedArticleSet || {};
const list = set.PubmedArticle || [];

function txt(v){ return (v?._text ?? v?.['#text'] ?? v ?? '').toString(); }
function joinArray(a){ return Array.isArray(a) ? a.map(x => txt(x)).join(' ') : txt(a); }

return list.map(p => {
  const mc = p.MedlineCitation || {};
  const art = mc.Article || {};
  const pmid = txt(mc.PMID);

  // DOI（ELocationIDに入ることが多い／複数のとき先頭を採用）
  let doi = '';
  const el = art.ELocationID;
  if (Array.isArray(el)) {
    const cand = el.find(x => txt(x).includes('10.'));
    doi = cand ? txt(cand) : '';
  } else if (txt(el).includes('10.')) {
    doi = txt(el);
  }

  const title = joinArray(art.ArticleTitle);
  const journal = txt(art.Journal?.Title);
  // 年 or 年月日を安全に抽出（Year, MedlineDateなど揺れに対応）
  const pub = art.Journal?.JournalIssue?.PubDate || {};
  const pubYear = txt(pub.Year) || (txt(pub.MedlineDate).match(/\d{4}/)?.[0] ?? '');
  const abstract = joinArray(art.Abstract?.AbstractText);
  const authors = (art.AuthorList?.Author || [])
      .map(a => `${txt(a.LastName)} ${txt(a.ForeName)}`.trim())
      .filter(x => x && x !== '')
      .join(', ');

  const url = pmid ? `https://pubmed.ncbi.nlm.nih.gov/${pmid}/` : '';

  return {
    pmid,
    doi,
    title,
    authors,
    journal,
    pub_date: pubYear,
    abstract,
    url,
  };
});

4) Summarize contents with LLM

ノード: OpenAI Chat Model（もしくは AI Agent → 内部でChat Model）
Purpose: 抄録を150–220字の日本語で要約、タグ付与
System Message

あなたは医学論文の抄読支援者です。
出力は必ず日本語。誇張せず事実ベースで要約し、曖昧な点は「不明」と書く。
記載のない情報を推測しない。

User Prompt

次のPubMed論文を150～220字で日本語要約してください。
必ず「目的 / 方法 / 主な結果 / 含意」を短く含め、数値はあれば保持。
最後に【タグ】を1～2語で付与。

タイトル: {{$json.title}}
抄録: {{ $json.abstract }}
雑誌: {{$json.journal}}
発行日: {{$json.pub_date}}
URL: {{$json.url}}
ノード: Output_summary（Code）
Purpose: LLM出力のキー差を吸収して summary_ja に正規化
const c = $json?.choices?.[0]?.message?.content ?? $json?.content ?? $json?.text ?? '';
return [{ json: { summary_ja: c } }];

5) Data organization & Storage

ノード: Merge（Mode: combine / combineBy: combineByPosition）
Purpose: メタデータ（Data summarization）と要約（Output_summary）を1:1で結合

ノード: Code（整形）
Purpose: 最終マッピング用にキー名を統一、監査メタを付与

const now = new Date();
const pad = n => String(n).padStart(2,'0');
const run_date = `${now.getFullYear()}-${pad(now.getMonth()+1)}-${pad(now.getDate())}`;

return [{
  json: {
    Run_date: run_date,
    Search_query: $json.search_query ?? '糖尿病', // 必要に応じ固定/可変
    PMID: $json.pmid,
    DOI: $json.doi,
    Title: $json.title,
    Authors: $json.authors,
    Journal: $json.journal,
    Pub_date: $json.pub_date,
    Abstract: $json.abstract,
    AI_summary: $json.summary_ja,
    URL: $json.url
  }
}];

ノード: Append row in sheet（Google Sheets: Append）
Purpose: シートに追記（列名→値のマッピングは上記キーと一致）

• Document ID：<あなたのID>
• Sheet：Sheet1（gid=0）
• 列マッピング例：

o	Run_date → {{$json.Run_date}}
o	Search_query → {{$json.Search_query}}
o	PMID → {{$json.PMID}}
o	DOI → {{$json.DOI}}
o	Title → {{$json.Title}}
o	Authors → {{$json.Authors}}
o	Journal → {{$json.Journal}}
o	Pub_date → {{$json.Pub_date}}
o	Abstract → {{$json.Abstract}}
o	AI_summary → {{$json.AI_summary}}
o	URL → {{$json.URL}}

運用堅牢化：PMID列にデータ検証（重複禁止）または UNIQUE 関数を設定しておくと二重実行時の重複も抑止できます。

ノード: Code1（Code）
Purpose: 今回追加できた件数を集計

return [{ json: { new_count: items.length } }];

ノード: Send a message（Slack: post message）
Purpose: チャネルに結果通知
PubMed更新情報

今回 {{ $json["new_count"] }} 件の新規論文を保存しました。

条件を変えながら格納するレシピ（運用Tips）

•	領域変更：term=oncology[Title/Abstract] AND Japan[Affiliation]
•	期間指定：datetype=pdat&mindate=2020/01/01&maxdate=2025/08/29
•	大量取得：retmax=200 と retstart=0,200,400...、または usehistory=y を併用

ヘルツレーベンでは、ライフサイエンス業界に特化したDX・自動化支援を提供しています。
PubMedや学術情報の自動収集をはじめ、Slack・Gmailなどを活用したナレッジ共有の仕組みまで、実務に直結するワークフローを設計・導入いたします。

提供サービスの例

• 製薬・医療機器業界での提案活動や調査業務の自動化支援
• アカデミアや研究者向けの文献レビュー・情報共有フローの最適化
• 医療従事者のキャリア開発を支援するリスキリングプログラム

👉 ご興味をお持ちの方はぜひお気軽にお問い合わせください。
お問い合わせフォームはこちら

目次

導入 1.1 本記事の概要 1.2 想定読者と利用シーン 1.3 本記事のポイント 背景と目的 2.1 背景：PubMed活用の実態 2.2 現状の課題 2.3 本取り組みの目的 n8nの概要 3.1 n8nとは 3.2 特徴 PubMedの概要 4.1 PubMedとは 4.2 特徴 4.3 利用シーン PubMed自動化フロー n8nの全体像 出力イメージ まとめ Appendix. 実装ステップ　詳細

1. 導入

1.1 本記事の概要

本記事では、PubMedの最新論文を定期的に自動収集し、SlackやGmailへ配信する仕組みを紹介します。
n8nというオープンソースの自動化ツールを用いることで、検索から要約、配信までを完全に自動化することが可能です。

1.2 想定読者と利用シーン

• 製薬会社・医療機器メーカーの研究開発（R&D）、学術、メディカルアフェアーズ、マーケティング部門
• 研究者やアカデミアの方々
• ライフサイエンス関連ビジネスに従事し、PubMedを日常的に利用する方

日常業務で論文検索や要約に時間を奪われている方に特に有効です。
また、KOL（Key Opinion Leader）調査や疾患啓発資料の準備など、特定テーマでのクイック調査にも応用可能です。

1.3 本記事のポイント

• PubMed API key不要の構築方法（大量取得や安定運用にはAPI key推奨、後日紹介予定）
• 検索 → 要約 → 配信まで完全自動化されたワークフロー
• 検索対象は疾患名だけでなく、治療法・薬剤・デバイス・分子標的・著者名など自由に設定可能

2. 背景と目的

2.1 背景：PubMed活用の実態

PubMedは生命科学・医学分野で世界最大級の文献データベースとして、製薬企業・医療機器メーカー・アカデミアで幅広く利用されています。
研究開発では新薬や医療機器に関する最新研究成果を把握するために、メディカルアフェアーズでは医師への情報提供や学会発表準備に、マーケティング部門では疾患や競合の動向分析やKOL調査に活用されています。
さらに研究者や学生にとっても、レビュー作成や博士論文準備に欠かせない情報源となっています。

2.2 現状の課題

一方で、新着論文は膨大であり、週単位での追跡は困難です。
抄録作成や翻訳には人手が必要で効率が悪く、論文を集めてもチーム内での共有が遅れることで情報が断片化しやすいという課題があります。

2.3 本取り組みの目的

これらの課題を解決するため、本取り組みでは新着論文を定期的に収集・要約し、自動でSlackやGmailに配信する仕組みを構築します。
これにより情報がタイムリーに共有され、研究効率や戦略立案のスピードを大幅に向上させることが可能になります。
実際は薬剤名や治療法などの条件で配信内容を柔軟に設定でき、SlackやGmailに加えてOutlookやTeamsといった環境でも利用できるように展開できますが、今回は論文のタイトルが「糖尿病」が含まれるものと課題を単純化しています。

3. n8nの概要

3.1 n8nとは

n8nは、オープンソースのワークフロー自動化プラットフォームです（https://n8n.io/）。
GUIベースで外部サービスやAPIと直感的に連携できるため、研究業務における繰り返し作業を効率的に自動化することが可能です。

3.2 特徴

n8nの大きな特徴は、ノーコード／ローコードで利用できる点にあります。
プログラミング知識がなくても操作でき、900以上のサービスやAPIと連携できるため、幅広い業務に柔軟に対応できます。
また、データ処理や条件分岐といった複雑な設定もGUI上で直感的に実装できる仕組みが整っています。

さらに、オンプレミス環境とクラウド環境の両方に対応しているため、セキュリティ要件の厳しい企業でも導入が容易です。
欧米を中心に人気が拡大しており、製薬企業やアカデミアにおいても研究効率化のために利用が進んでいます。

4. PubMedの概要

4.1 PubMedとは

PubMedは米国国立医学図書館（NLM）が提供する無料の文献データベースであり、生命科学・医学分野における標準的な情報源として広く利用されています（https://pubmed.ncbi.nlm.nih.gov/）。

4.2 特徴

現在、PubMedには3,600万件を超える文献が収録されており、その内容は基礎研究から臨床試験、症例報告、さらにはレビュー論文まで幅広い範囲をカバーしています。
誰でも無料で利用できる点も大きな特徴であり、研究者だけでなく幅広いユーザーにとってアクセス可能な情報基盤となっています。
さらにAPIを通じて外部システムと連携できるため、自動化やデータ分析にも柔軟に対応できる仕組みが整っています。

4.3 利用シーン

PubMedは多様な場面で活用されています。
製薬企業においては新薬候補や適応拡大の可能性を調査するために利用され、医療機器メーカーではデバイス関連の臨床エビデンス収集に活かされています。
また研究者やアカデミアでは、研究テーマに関連するレビューや最新の研究成果を追跡するための重要な情報源となっています。
さらに、調査会社やコンサルティング企業では疾患領域のトレンド分析やKOL調査にも積極的に利用されています。

5. PubMed自動化フローの全体像

1. スケジュールトリガー（定期配信の設定）
2. PubMed API検索（eSearchでPMIDを取得）
3. PubMed API詳細取得（eFetchでタイトル・著者・抄録を取得）
4. データ整形（JSON／Codeノードで整備）
5. 要約処理（OpenAI LLMで日本語要約を生成）
6. 出力（Slack通知とGmail配信に展開）

6. 出力イメージ

この週間PubMed要約レポートでは、各論文のタイトル・著者・掲載日・雑誌名・DOIといった基本情報に加え、要点を日本語で自動要約した内容が一覧形式で届けられます。
利用者は毎週決まったタイミング（月曜日など）に、必要な論文情報を漏れなく把握できる仕組みです。

Gmail:

Slack:

7. まとめ

PubMedはライフサイエンス業界において欠かせない情報源ですが、検索や要約、配信には膨大な手間と時間がかかるのが現状です。
そこでn8nを活用することで、検索から要約、そして配信までを完全に自動化し、情報活用にかかるコストを大幅に削減することが可能となります。

検索条件は疾患名だけでなく、研究テーマや治療法、薬剤、デバイス、分子標的、著者名など多様に設定でき、利用者のニーズに応じた柔軟なカスタマイズが可能です。
その結果、研究者や実務担当者は煩雑な情報収集から解放され、本来の業務に集中できる環境を実現できます。

実装ステップ　詳細

1. トリガー設定（Trigger）

ノード：Schedule Trigger

• 設定例
  • Mode: Every Week
  • Day of Week: Monday
  • Time: 09:00
• ポイント
  毎週月曜朝9時に自動実行。社内定例や週次MTG前に最新論文が届く運用を想定。

2. PubMed検索（Get PubMed Paper）

(1) eSearch（PMID取得）
PubMedから論文ID（PMID）を取得するためのステップでは、HTTP Requestノードを使用します。
設定例：

• ノード：HTTP Request
• Method：GET
• URL：https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi
• Query Parameters
  • db: pubmed
    → 検索対象のデータベースをPubMedに指定
  • term: diabetes[Title/Abstract] OR “diabetes mellitus”[MeSH Terms]
    → 検索条件。タイトル／抄録、MeSH用語で柔軟に検索可能（疾患名・薬剤名などに変更可）
  • datetype: pdat
    → 日付種別を発表日（Publication Date）に指定
  • reldate: 7
    → 直近7日間の論文を取得
  • retmax: 20
    → 最大取得件数を20件に制限
  • sort: pub date
    → 発表日順でソート
  • retmode: json
    → 出力形式をJSONに指定

(2) eFetch（詳細取得）
PubMed の論文詳細を取得する際には、以下のように HTTP Request ノードを設定します。
設定例：

• ノード：HTTP Request
• URL：https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi
• Query Parameters：
  • db: pubmed
  • id: {{$json[“esearchresult”][“idlist”].join(“,”)}}
  • retmode: xml
  • rettype: abstract

この設定により、先に取得した ID リストをカンマ区切りで連結し、PubMed API に渡します。
結果は XML 形式で返却され、各論文の タイトル、著者情報、ジャーナル、発行日、DOI、抄録 といった詳細情報を取得することができます。

つまり、eSearch で検索キーワードに合致する文献の PMIDs を集め、その ID 群を eFetch に流すことで、毎週決まったタイミングに タイトル、日付、DOI、抄録 などの論文情報をまとめて取得できる仕組みが完成します。

3. 要約処理（Summarize contents with LLM）

(1) Data conversion（XML → JSON）

• ノード：XML
• 設定例
  • Options: Always Output Array → ON

(2) Data summary（抽出）

• ノード：Code

サンプルコード

// --- helper ---
const first = (v) => Array.isArray(v) ? first(v[0]) : v;
const text = (v) => {
  if (v == null) return '';
  if (typeof v === 'string') return v;
  if (typeof v === 'number') return String(v);
  if (typeof v === 'object') return text(v._ ?? v['#text'] ?? v.value ?? v.text ?? Object.values(v)[0]);
  return String(v);
};

// --- root detection: supports {data.PubmedArticleSet...} or {PubmedArticleSet...} ---
const rootObj = $json?.data?.PubmedArticleSet ?? $json?.PubmedArticleSet;
const articles = rootObj?.PubmedArticle ?? [];
const arr = Array.isArray(articles) ? articles : (articles ? [articles] : []);

// 何もないと n8n は "No output data returned" になるので、ダミーを返す
if (arr.length === 0) {
  return [
    { json: { note: 'no articles found', debugRootKeys: Object.keys($json || {}) } }
  ];
}

const out = arr.map(a => {
  const mc  = a.MedlineCitation || {};
  const art = mc.Article || {};

  const pmid   = text(mc.PMID);
  const title  = text(art.ArticleTitle);

  // Abstract は段落複数やラベル付きのことがある
  let abstract = '';
  const abs = art.Abstract?.AbstractText;
  if (Array.isArray(abs)) {
    abstract = abs.map(x => text(x)).filter(Boolean).join('\n');
  } else {
    abstract = text(abs);
  }

  const authSrc  = art.AuthorList?.Author || [];
  const authArr  = Array.isArray(authSrc) ? authSrc : (authSrc ? [authSrc] : []);
  const authors  = authArr
    .map(au => [text(au.ForeName), text(au.LastName)].filter(Boolean).join(' '))
    .filter(Boolean)
    .join(', ');

  const pubDate  = art.Journal?.JournalIssue?.PubDate || {};
  const pub_date = [text(pubDate.Year), text(pubDate.Month), text(pubDate.Day)]
                    .filter(Boolean).join('-');

  const ids    = a.PubmedData?.ArticleIdList?.ArticleId || [];
  const idsArr = Array.isArray(ids) ? ids : (ids ? [ids] : []);
  const doiObj = idsArr.find(x => (x?.IdType ?? x?.['@_IdType']) === 'doi');
  const doi    = text(doiObj);

  const url    = pmid ? `https://pubmed.ncbi.nlm.nih.gov/${pmid}/` : '';

  return {
    json: {
      pmid, title, abstract,
      journal: text(art.Journal?.Title),
      pub_date, authors, doi, url
    }
  };
});

return out;

(3) LLMによる要約

• ノード：OpenAI Chat Model
• プロンプト例
• Prompt (User Message)

次のPubMed論文を150～220字で日本語要約してください。
必ず「目的 / 方法 / 主な結果 / 含意」を短く含め、数値はあれば保持。最後に【タグ】を1～2語（例：T2DM、合併症、介入）で付与。

タイトル: {{$json.title}}
抄録: {{ $json.abstract }}
雑誌: {{$json.journal}}
発行日: {{$json.pub_date}}
URL: {{$json.url}}

System Message

あなたは医学論文の抄読支援者です。
出力は必ず日本語。誇張せず事実ベースで要約し、曖昧な点は「不明」と書く。
記載のない情報を推測しない。

4. データ整理（Data organization）

(1) Merge

• 目的：タイトル＋要約を結合。

(2) Sort

• 設定例
  • Field: date
  • Order: Descending

(3) Limit

• 設定例
  • Max Items: 10

5. 出力（Output）

(1) To HTML（メール用）

// 各アイテム: pmid, title, abstract, journal, pub_date, authors, doi, url, summary_ja
const items = $input.all();

function esc(s=''){ return String(s)
  .replace(/&/g,'&amp;').replace(/</g,'&lt;').replace(/>/g,'&gt;'); }

const today = (new Date()).toISOString().slice(0,10);
let html = `
<h2>週間PubMed要約（糖尿病） - ${today}</h2>
<p>直近7日間にヒットした論文の要約です（自動生成）。原文と不一致があれば原著を優先してください。</p>
<ol>
`;

for (const it of items) {
  const j = it.json;
  html += `
  <li style="margin-bottom:16px;">
    <div><a href="${esc(j.url)}" target="_blank"><strong>${esc(j.title)}</strong></a></div>
    <div style="font-size:90%;color:#555;">
      ${esc(j.journal || '')}　${esc(j.pub_date || '')}
      ${j.authors ? '　著者: ' + esc(j.authors) : ''}
      ${j.doi ? '　DOI: ' + esc(j.doi) : ''}
    </div>
    <div style="margin-top:6px; white-space:pre-wrap;">${(j.summary_ja || '').trim()}</div>
  </li>`;
}

html += `</ol>`;

return [{ json: { html } }]; 

(2) Gmail送信

• 設定例
  • 宛先 (To)：team@company.com（任意の配信先アドレス）
  • Subject：PubMed Weekly Report
  • Email Type：HTML
  • Message (本文)：{{ $json[“html”] }}（直前ノードで生成されたHTMLを本文として送信）
  • Resource：Message
  • Operation：Send
• 特徴：PubMed要約をメール形式で配信可能。HTML指定により見やすいフォーマットで送信できる。

(3) Slack送信

• 設定例
  • 認証：Slackアカウントを接続
  • Resource：Message
  • Operation：Send
  • 送信先：Channel（例：ai_experiment）
  • メッセージタイプ：Simple Text Message
  • メッセージ本文：{{ $json.text }}（直前ノードで生成されたテキストを送信）
• 特徴：PubMed要約などを自動でSlackチャンネルに配信可能

ヘルツレーベンでは、ライフサイエンス業界に特化したDX・自動化支援を提供しています。
PubMedや学術情報の自動収集をはじめ、Slack・Gmailなどを活用したナレッジ共有の仕組みまで、実務に直結するワークフローを設計・導入いたします。

提供サービスの例

• 製薬・医療機器業界での提案活動や調査業務の自動化支援
• アカデミアや研究者向けの文献レビュー・情報共有フローの最適化
• 医療従事者のキャリア開発を支援するリスキリングプログラム

👉 ご興味をお持ちの方はぜひお気軽にお問い合わせください。
お問い合わせフォームはこちら