Using Large Language Models to Annotate Complex Cases of Social Determinants of Health in Longitudinal Clinical Records.
使用大型語言模型來標註長期臨床記錄中複雜的社會健康決定因素案例。 medRxiv 2024-05-07

社會健康決定因素（SDoH）對健康影響很大，其中住房穩定性至關重要。電子健康記錄（EHRs）中包含有用的SDoH資訊，但常為非結構化，需要透過自然語言處理（NLP）進行分析。新的NLP技術如GPT-4能有效辨識住房不穩定性，雖然在偵測上有高召回率，但精確度較低。LLMs提供擴展且成本效益高的解決方案，同時召回率也較高。結合LLMs和人工審查可提高數據分析效率，支持醫療系統提供更主動的病人護理。 PubMed DOI

Large Language Models for Social Determinants of Health Information Extraction from Clinical Notes - A Generalizable Approach across Institutions.
臨床記錄中社會健康決定因素資訊提取的大型語言模型 - 跨機構通用方法。 medRxiv 2024-06-03

研究專注於從電子健康記錄中提取社會健康決定因素，以改善健康公平。研究建立跨機構數據集，開發分類模型，包括大型語言模型，從不同醫療機構的臨床註釋中檢測SDoH因素。研究發現不同病人群、註釋類型和醫院有不同的SDoH記錄實踐和標籤分佈。LLM在辨識SDoH因素方面表現最佳，但在跨數據集泛化上仍有挑戰。為促進合作，研究提供了PhysioNet存儲庫上的註釋數據集和模型訪問權。 PubMed DOI

Large Language Models for Efficient Medical Information Extraction.
大型語言模型用於高效的醫學資訊提取。 AMIA Jt Summits Transl Sci Proc 2024-06-03

使用ChatGPT分析臨床報告可幫助醫護人員提供更好的病患照護。研究比較了ChatGPT和人工審查員在辨識關鍵疾病條件上的表現，發現ChatGPT對抑鬱症和重度吸菸有較強的敏感性，對癌症的特異性也高。然而，在辨識家族心臟病史和癌症相關微妙信息方面仍有進步空間，未來研究可望提升ChatGPT在提取醫學資訊方面的能力。 PubMed DOI

A comparative study of large language model-based zero-shot inference and task-specific supervised classification of breast cancer pathology reports.
基於大型語言模型的零-shot推論與特定任務監督分類在乳腺癌病理報告中的比較研究。 J Am Med Inform Assoc 2024-06-20

研究比較了GPT-4與傳統監督式模型在臨床註記中提取資訊的表現，結果顯示GPT-4在乳癌病理報告分類上表現優異，甚至超越其他LLMs和監督式模型。GPT-4的零-shot分類能力對標籤不平衡的任務特別有效。雖然LLMs減少了標註需求，但簡單模型配合大量標註資料也能達到相當效果。GPT-4有潛力加速臨床自然語言處理研究，減少標註需求，促進臨床研究中使用自然語言處理變數。 PubMed DOI

Structuring medication signeturs as a language regression task: comparison of zero- and few-shot GPT with fine-tuned models.
將藥物簽名結構化作為語言回歸任務：零次和少次 GPT 與微調模型的比較。 JAMIA Open 2024-06-25

這項研究比較了不同語言模型在從電子健康記錄中提取藥物劑量信息方面的表現。結果顯示，GPT-4在準確標註藥物使用說明方面優於其他模型。該研究指出，像GPT-4這樣的大型語言模型有潛力自動化從醫療文本來源中提取有價值信息，減少手動標註的需求。 PubMed DOI

The potential and pitfalls of using a large language model such as ChatGPT, GPT-4, or LLaMA as a clinical assistant.
使用大型語言模型如ChatGPT、GPT-4或LLaMA作為臨床助手的潛力與陷阱。 J Am Med Inform Assoc 2024-07-17

研究評估了大型語言模型在醫療保健領域的應用，尤其是在改善患者護理方面。使用MIMIC-III數據庫的電子健康記錄，測試了這些模型在識別特定疾病患者方面的效能。GPT-4在辨識COPD、CKD、PBC和Cancer Cachexia患者方面表現優異，而ChatGPT和LLaMA3則稍遜。儘管LLMs有潛力，但在臨床應用前仍需解決錯誤、解釋不足和倫理問題。進一步研究將有助於提升模型訓練和設計，以更好地應用於醫療保健。 PubMed DOI

Extraction of Substance Use Information from Clinical Notes: A GPT-Based Investigation.
從臨床筆記中提取物質使用資訊：一項基於GPT的研究。 JMIR Med Inform 2024-07-22

這項研究探討了使用GPT-3.5語言模型，從MIMIC-III數據集中提取有關煙草、酒精和藥物使用的資訊，特別是病人出院摘要。研究強調了解行為因素對改善健康結果的重要性。雖然傳統自然語言處理方法面臨挑戰，但大型語言模型顯示出潛力。研究採用零樣本和少樣本學習技術，結果顯示零樣本學習在提取藥物使用提及方面有效，而少樣本學習則在評估使用狀態上表現更佳，雖然精確度有所下降。這強調了AI在電子健康紀錄中的應用潛力，有助於提升病人護理的個性化與有效性。 PubMed DOI

A GPT-based EHR modeling system for unsupervised novel disease detection.
基於 GPT 的電子健康紀錄建模系統用於無監督新疾病檢測。 J Biomed Inform 2024-08-09

這項研究開發了一個基於人工智慧的異常檢測模型，幫助醫療人員識別新型疾病並防止疫情擴散。模型使用來自麻薩諸塞州一所醫院的120,714名住院病人數據，基於生成預訓練變壓器（GPT）架構，並透過經驗風險最小化進行訓練。它分析電子健康紀錄，檢測不尋常的病人特徵，並在COVID-19疫情初期成功預測住院情況，達到92.2%的準確率。該模型在異常檢測和死亡預測上表現優異，顯示出在現代醫療中的潛力。 PubMed DOI

Harnessing large language models' zero-shot and few-shot learning capabilities for regulatory research.
利用大型語言模型的零-shot和少-shot學習能力進行監管研究。 Brief Bioinform 2024-08-23

大型語言模型（LLMs），像是OpenAI的ChatGPT，雖然能生成類似人類的文本，但在網路使用時會有數據隱私的風險，因為用戶資料會傳送到外部伺服器。為了解決這個問題，我們探討在安全的本地網路中使用開源的小型LLMs，特別是在需要保護數據的監管機構中。我們發現某些模型在少量或零樣本學習中表現不錯，甚至達到傳統神經網路的效果，顯示出在安全環境中使用開源LLMs的潛力。 PubMed DOI

Zero-Shot LLMs for Named Entity Recognition: Targeting Cardiac Function Indicators in German Clinical Texts.
針對德國臨床文本中的心臟功能指標的零樣本大型語言模型命名實體識別。 Stud Health Technol Inform 2024-09-05

您的研究顯示開源大型語言模型（LLMs）在醫療領域的潛力，特別是在德文臨床文本中提取心血管功能指標。透過分析497份心臟MRI報告，您成功提取14個指標，並達到95.4%的正確標註率和99.8%的命名實體識別準確率，顯示這些模型能有效處理醫療語言的複雜性。這項研究強調了開源LLMs在臨床環境中的應用潛力，並為未來在其他語言的醫療研究鋪路。 PubMed DOI

原始文章

站上相關主題文章列表