這項研究比較多種大型語言模型，發現經過微調的GatorTronGPT在從臨床紀錄中擷取鴉片類藥物過量和使用障礙的關鍵資訊上表現最佳。結果顯示，生成式LLM能有效協助擷取相關資訊，對後續研究和介入措施很有幫助。 相關文章 PubMed 推理 ♡

這項研究發現，結合RAG技術的AI模型能產生比一般AI更優質、可讀性更高且重複性較低的下背痛衛教資料，但內容仍未達臨床標準。AI在提升衛教品質上有潛力，但還需進一步改進，才能真正應用於臨床。 相關文章 PubMed 推理 ♡

EntroLLM 是結合 entropy 和大型語言模型嵌入的新方法，用來提升穿戴式裝置資料預測健康風險的準確度。在 NHANES 資料集預測過重時，AUC 從 0.56 提升到 0.64，表現比傳統模型更好，顯示分析複雜健康資料很有潛力。 相關文章 PubMed 推理 ♡

這篇論文介紹肯塔基大學開發的友善平台，讓大家更簡單建立和使用自訂大型語言模型。系統用 multi-LoRA 技術，能讓不同用戶和專案各自用自己的 adapter。平台強調安全，支援多租戶、資料隔離、加密和角色權限控管，目標是提供平價又安全的 LLM 服務，協助科學和生醫研究。 相關文章 PubMed 推理 ♡

作者針對大型語言模型在醫療自然語言理解表現不佳，提出統一提示格式、多元醫療指令微調資料集，並以BioMistral微調成BioMistral-NLU。該模型在零樣本下於多項醫療NLU基準測試勝過原始BioMistral及ChatGPT、GPT-4等，證明多元任務指令微調能有效提升泛化能力。 相關文章 PubMed 推理 ♡

研究發現，ChatGPT能準確從非結構化臨床紀錄中擷取癌症病患的關鍵資料，如Gleason分數和年齡（F1=0.99），對安寧照護和疼痛狀態的辨識也不錯（F1=0.86）。但few-shot提示有時反而降低準確度，加入背景資訊也未必有幫助。整體來說，ChatGPT有潛力協助電子病歷資料結構化，促進醫療研究資料共享。 相關文章 PubMed 推理 ♡

SmartState 是全新醫學研究系統，結合自動化和大型語言模型，能即時追蹤每位參與者的互動歷程。它自動化、個人化收集資料，幾乎不用人工監督，還能減少錯誤、確保資料完整，特別適合流程複雜、需分階段進行的臨床研究。 相關文章 PubMed 推理 ♡

ADetectoLocum 是一款可在醫院本地端運作的開源語言模型，能透過病患語音早期偵測阿茲海默症風險。它不需傳輸資料到外部，符合 HIPAA 法規，且準確率高於過去模型，是醫療院所安全又實用的 AD 診斷工具。 相關文章 PubMed 推理 ♡

這項研究用GPT-4o自動從心肺調控和SUDEP相關論文中擷取神經投射資訊，從四篇論文辨識出205個神經投射，經專家審查後準確率高達95%。這方法展現自動化擷取神經科學文獻的潛力，未來也會加入更多資料類型像是實驗技術和物種等。 相關文章 PubMed 推理 ♡

作者提出FREEFORM架構，利用大型語言模型（LLMs）在基因型-表現型預測中做特徵選擇與工程。FREEFORM結合LLMs的生醫知識和推理能力，能挑出精簡且易解釋的基因特徵，尤其在資料少時效果更勝傳統方法。此架構已開源並上傳至GitHub。 相關文章 PubMed 推理 ♡