LLMs在從公開來源中提取數據很有用，但在臨床設置中的效果尚不明確。這項研究比較了使用「Versa Chat」（OpenAI gpt-35-turbo LLM的實現）與手動病歷審查在肝癌影像報告中提取數據的準確性。研究涉及182份腹部影像報告，評估其性能包括準確性、精確性、召回率和F1分數。 PubMed DOI

研究比較了GPT-4和GPT-3.5在提取神經放射學報告中缺血性中風患者機械溶栓術數據的表現。結果發現，GPT-4比GPT-3.5更準確，處理所有報告且無需進一步處理即可正確提取94.0％的數據項目，而GPT-3.5僅有63.9％的準確率。總結來說，GPT-4在提取正確程序數據方面更有效。 PubMed DOI

研究利用大型語言模型協助臨床醫生問心臟超聲心動圖報告，提升對複雜心臟病患見解，增進患者護理效率。研究收集西奈山醫療體系10年數據，每患者有10份報告。LLM模型LLaMA-2 70B回答問題準確率達90%，尤其在嚴重程度評估和診斷檢索表現較佳。研究顯示使用LLM解釋心臟超聲心動圖數據有效，比傳統搜索更佳，提高臨床決策和研究效率。 PubMed DOI

這項研究評估了一個開源的大型語言模型（LLM）在從急診腦部MRI報告中提取信息的表現。對比了放射科醫師和LLM在識別頭痛、異常發現以及MRI結果與頭痛之間因果關係方面的能力。LLM在這些任務中表現出高靈敏度和特異度，顯示其具有潛力在不需額外訓練的情況下從放射學報告中準確提取信息。 PubMed DOI

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 PubMed DOI

這項研究探討了使用開源、輕量級的生成大型語言模型（LLMs）來從腎臟病理報告中提取臨床資訊，特別針對狼瘡性腎炎。研究開發了一個標註架構並生成黃金標準數據集，評估了三個輕量級LLM的表現。結果顯示，Mistral和BioMistral的表現優於Llama 2，Mistral在腎小球亞型的F1分數達到0.996，免疫標記值的F1分數為0.898。這些結果顯示輕量級LLM在臨床資訊提取中的潛力，提供了資源密集型模型的可行替代方案。 PubMed DOI

這篇論文回顧了自然語言處理技術，特別是大型語言模型在放射科報告中提取結構化數據的應用。雖然放射影像使用普遍，但報告中的自由文本常未被充分利用。根據PRISMA-ScR指導方針，分析了2023年8月1日從五個資料庫中找到的34項研究。結果顯示，大多數研究集中在前變壓器和編碼器模型上，外部驗證時性能下降。LLMs可能增強信息提取的普遍適用性，但面臨外部驗證不足和報告粒度問題等挑戰。 PubMed DOI

這份協議介紹了LLM-AIx工作流程，利用大型語言模型（LLMs）從非結構化的臨床文本中提取結構化信息，解決手動審查的困難。流程包含四個步驟：問題定義與數據準備、數據預處理、基於LLM的信息提取及輸出評估。LLM-AIx可在本地醫院實施，確保病人數據安全，並已在虛構的肺栓塞臨床信件及癌症基因組計畫的病理報告中成功應用。系統設計友好，讓無程式設計背景的使用者也能輕鬆操作，提升臨床研究與決策效率。 PubMed DOI

這項研究介紹了一個開源流程，利用本地的大型語言模型（LLM）"Llama 2" 從臨床文本中提取定量數據，專注於識別失代償性肝硬化的特徵。研究在MIMIC IV數據集中測試500名患者的病歷，成功識別五個關鍵臨床特徵，敏感度達100%，特異度96%。此外，對其他病症的檢測也相當高，顯示出本地部署的LLM在提取臨床信息方面的有效性，且硬體需求低。 PubMed DOI

這項初步研究探討了大型語言模型（LLM），特別是LLaMA3，如何從三級醫院的出院摘要中提取中風審核數據。研究分析了一個月內的中風住院病人出院摘要，成功提取144個數據點，LLM的準確率高達93.8%（135個正確）。結果顯示，LLM能有效提升中風審核數據的收集效率，並建議進一步研究以優化LLM與醫療專業人員的合作。 PubMed DOI