Automated Paper Screening for Clinical Reviews Using Large Language Models: Data Analysis Study.
使用大型語言模型進行臨床評論的自動篩選：資料分析研究。 J Med Internet Res 2024-01-29

研究評估了OpenAI的GPT和GPT-4在比較人類審查員時，對臨床研究論文標題和摘要的辨識表現。結果顯示，這些模型在篩選超過24,000個標題和摘要時表現準確且敏感，並展現了推理能力並修正錯誤。這些人工智慧模型有潛力優化審查流程、節省時間，並提升臨床研究品質，而非取代研究人員。 PubMed DOI

Using Large Language Models to Support Content Analysis: A Case Study of ChatGPT for Adverse Event Detection.
使用大型語言模型支援內容分析：以 ChatGPT 在不良事件檢測上的案例研究。 J Med Internet Res 2024-05-02

研究使用大型語言模型分析社群媒體貼文中的不良事件，特別是與大麻相關的。結果顯示ChatGPT在辨識上表現接近人類，具有準確且高效的標註能力。雖然有限制，建議未來可嘗試其他模型和資料來源。總結來說，大型語言模型有助提升生物醫學研究效率。 PubMed DOI

Automating biomedical literature review for rapid drug discovery: Leveraging GPT-4 to expedite pandemic response.
利用 GPT-4 加速疫情應對：自動化生物醫學文獻審閱以快速藥物發現。 Int J Med Inform 2024-05-30

研究使用ChatGPT自動化生物醫學文獻審閱，以加速新興傳染病時的藥物發現。測試結果顯示，與專家相比，ChatGPT在準確性和效能上表現優異，尤其在識別SARS-CoV-2和尼帕病毒的藥物靶點方面。這研究顯示ChatGPT在全球衛生緊急情況下，對加速藥物發現和靶點識別有相當潛力。 PubMed DOI

Utilizing Large Language Models for Enhanced Clinical Trial Matching: A Study on Automation in Patient Screening.
運用大型語言模型增強臨床試驗配對：自動化患者篩選研究。 Cureus 2024-06-10

使用大型語言模型如GPT-3.5 Turbo和GPT-4可提升臨床試驗患者配對的效率和準確性。研究顯示GPT-4在患者記錄和AI技術中表現優異，有助於減少招募錯誤、減輕研究負擔、加速研究。然而，仍需進一步研究以驗證其在實際臨床數據中的效用。 PubMed DOI

Large Language Model-Based Natural Language Encoding Could Be All You Need for Drug Biomedical Association Prediction.
基於大型語言模型的自然語言編碼可能是您預測藥物生物醫學關聯所需的一切。 Anal Chem 2024-07-16

在生物醫學領域，分析藥物相互作用對藥物發現至關重要。目前使用的人工智慧工具受限於編碼生物醫學功能和概念。LEDAP利用大型語言模型如ChatGPT，展現了預測藥物相關關聯的潛力。這些模型對自然語言有全面理解，在藥物開發分析中具潛力。LEDAP結合傳統機器學習方法，表現競爭性。這研究凸顯大型語言模型在藥物開發的重要潛力，為該領域帶來更多發展機會。 PubMed DOI

Human-Comparable Sensitivity of Large Language Models in Identifying Eligible Studies Through Title and Abstract Screening: 3-Layer Strategy Using GPT-3.5 and GPT-4 for Systematic Reviews.
大型語言模型在通過標題和摘要篩選識別合格研究中的人類可比敏感性：使用 GPT-3.5 和 GPT-4 進行系統評價的三層策略。 J Med Internet Res 2024-08-16

這項研究探討了一種三層篩選方法，利用GPT-3.5和GPT-4來提升雙相情感障礙治療的系統性回顧中標題和摘要的篩選效率。篩選分為三個層次：研究設計、目標患者及介入措施。結果顯示，GPT-4在敏感性和特異性上表現良好，顯示其在系統性回顧中的應用潛力。未來研究可考慮將此方法擴展至其他領域，以評估其更廣泛的有效性。 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

Toward an Explainable Large Language Model for the Automatic Identification of the Drug-Induced Liver Injury Literature.
朝向可解釋的大型語言模型以自動識別藥物誘發肝損傷文獻。 Chem Res Toxicol 2024-08-27

藥物引起的肝損傷（DILI）是藥物安全性的重要議題，也是急性肝衰竭的主要原因。傳統的文獻搜尋方法因藥物相互作用的複雜性而效率不高，且手動整理容易出錯。近期，利用大型語言模型（LLMs）如LLaMA-2，研究人員開發了專門用於DILI分析的模型，並在CAMDA 2022的數據集上達到97.19%的準確率，顯示出LLMs在文獻識別上的潛力，可能簡化監管審查流程。 PubMed DOI

Unlocking the potential of advanced large language models in medication review and reconciliation: A proof-of-concept investigation.
釋放先進大型語言模型在藥物審查和調解中的潛力：一項概念驗證研究。 Explor Res Clin Soc Pharm 2024-09-11

這項研究評估了大型語言模型（LLMs）在藥物審查中的表現，特別是劑量錯誤、藥物相互作用及基因組學建議的能力。研究測試了四個LLM，發現ChatGPT在劑量方案上表現良好，但對simvastatin的問題有例外。所有LLM都能識別warfarin的相互作用，但錯過metoprolol和verapamil的相互作用。Claude-Instant在治療監測上提供適當建議，而Gemini在基因組學上表現不錯。研究指出，LLM在藥物審查中有潛力，但整合進醫療系統對病人安全至關重要。 PubMed DOI

Developing large language models to detect adverse drug events in posts on x.
在 x 平台上開發大型語言模型以檢測不良藥物事件。 J Biopharm Stat 2024-09-20

不良藥物事件（ADEs）對住院率影響顯著，且與高發病率和死亡率相關。傳統的藥物安全監測依賴於不良事件報告系統，但社交媒體如X（前身為Twitter）提供了有價值的患者見解。本研究探討使用大型語言模型（LLMs）進行ADE分類，結果顯示RoBERTa-large模型表現最佳，F1指標達0.8，微調後的ChatGPT則為0.75。特徵分析顯示某些術語在識別ADE中至關重要，顯示LLMs在藥物安全監測中的潛力。 PubMed DOI

原始文章

站上相關主題文章列表