我们感谢米洛万诺维奇和杜米奇。 1提出了与非covid -19相关研究相关的复杂挑战问题。我们同意他们的观点，即COVID-19大流行对此类研究的许多影响可能尚未显现，研究人员和资助者需要找到务实的方法来应对这一新的现实。然而，一些作者建议的行动，如调整终点和功率计算，有可能影响研究质量，应该谨慎行事。在与临床研究的不良前提条件相关的时间和环境中，我们鼓励研究人员评估替代数据源的效用，例如现成的医学图像和常规临床数据。

我们同意作者的观点，即除了实验和临床研究之外，对开放数据的分析和基于计算机的模拟有可能在未来的医学研究中发挥至关重要的作用。此外，我们认为像我们研究中使用的方法[ 2也可能被证明是一条前进的道路。已发表的科学研究的数量正在迅速增加，传统的汇编研究结果以产生新知识的方法速度缓慢，不适合这些数量。因此，现有的机器学习文本分析方法的应用和新方法的开发不仅为科学成果带来了希望 现有的数据但也来自 已经完成的学习．