Matching Patients to Clinical Trials with Large Language Models.
使用大型語言模型將患者配對至臨床試驗。 ArXiv 2023-10-20

臨床試驗對藥物研發和醫學證據至關重要，但招募病患有困難。研究使用大型語言模型（LLMs）協助找到合適的臨床試驗。新模型TrialGPT可預測病患是否符合試驗資格並排名試驗。測試顯示，TrialGPT能正確預測資格並有效排名試驗，但LLMs在醫學知識上有限制，可能出錯。未來研究應整合像TrialGPT這樣的人工智慧助手到臨床試驗流程，提升效率。 PubMed DOI

AutoCriteria: a generalizable clinical trial eligibility criteria extraction system powered by large language models.
AutoCriteria：由大型語言模型驅動的可推廣臨床試驗參賽資格條件提取系統。 J Am Med Inform Assoc 2024-02-02

研究開發了AutoCriteria，能從臨床試驗方案中提取參加資格標準。系統準確提取標準實體和疾病上下文，優點是準確且有邏輯解釋，缺點是可能忽略主要標準。AutoCriteria展示了自動提取過程的潛力，處理複雜情況，是臨床試驗的可擴展解決方案。 PubMed DOI

Clinfo.ai: An Open-Source Retrieval-Augmented Large Language Model System for Answering Medical Questions using Scientific Literature.
Clinfo.ai：一個利用科學文獻回答醫學問題的開源檢索增強大型語言模型系統。 Pac Symp Biocomput 2024-01-06

醫學文獻快速增加，對臨床醫師和研究人員造成挑戰。Clinfo.ai是一個開源工具，可幫助回答臨床問題。我們提出了一個評估檢索增強語言模型的任務，並介紹了PubMedRS-200數據集。報告了Clinfo.ai和其他OpenQA系統在PubMedRS-200上的基準結果。 PubMed DOI

AssistMED project: Transforming cardiology cohort characterisation from electronic health records through natural language processing - Algorithm design, preliminary results, and field prospects.
AssistMED 專案：透過自然語言處理從電子健康記錄轉換心臟病學群體特徵 - 演算法設計、初步結果和現場前景。 Int J Med Inform 2024-04-01

電子健康記錄在臨床研究中很關鍵，但分析非結構化文本很費時費錢。自然語言處理能有效從電子健康記錄中提取數據。 AssistMED開發了NLP工具，能自動提取病人特徵，方便臨床研究。這工具使用友善的方式檢索臨床狀況、藥物和心臟超聲參數資訊。驗證結果顯示，工具表現良好，提供準確病人數據，並有進一步發展的潛力。 PubMed DOI

Bridging the literacy gap for surgical consents: an AI-human expert collaborative approach.
以人工智慧與專家合作的方式彌補手術同意書的識字差距。 NPJ Digit Med 2024-03-12

研究發現使用GPT-4簡化手術同意書有助提升病人理解。簡化後的表格易讀且符合美國人閱讀水準，得到專家認可。GPT-4生成各種手術同意書，閱讀水準達六年級，獲高評分。這種人工智慧與人類合作展現潛力，可改善病人溝通及應對健康識字差異。 PubMed DOI

Neural machine translation of clinical text: an empirical investigation into multilingual pre-trained language models and transfer-learning.
臨床文本的神經機器翻譯：多語言預訓練語言模型和遷移學習的實證研究。 Front Digit Health 2024-03-13

臨床文本和文件是重要的醫療資訊來源，利用先進的語言技術處理對於發展支援醫療保健和社會福祉的智慧系統至關重要。我們使用多語言神經網絡模型，如Transformer，以及大規模預先訓練的語言模型進行轉移學習，研究臨床文本機器翻譯。我們的研究顯示，小型預先訓練的語言模型在臨床領域微調中表現優於更大的模型，這是一個新的發現。這些結果對於醫療保健領域的機器翻譯發展具有重要意義。 PubMed DOI

Distilling large language models for matching patients to clinical trials.
提煉大型語言模型以將患者配對至臨床試驗。 J Am Med Inform Assoc 2024-04-19

這項研究比較了不同大型語言模型在將病患配對到醫療臨床試驗上的效果。研究發現，當開源模型在專門的數據集上進行微調時，其表現可以與專有模型媲美。這項研究展示了開源模型在醫療應用中的潛力，並提供了一個數據集和一個經過微調的模型供公眾使用，以鼓勵在這個領域進行更多研究。 PubMed DOI

Enhancing readability of USFDA patient communications through large language models: a proof-of-concept study.
透過大型語言模型提升美國FDA患者溝通的易讀性：概念驗證研究。 Expert Rev Clin Pharmacol 2024-06-01

研究發現使用大型語言模型（LLMs）可以提升美國FDA發布的藥物安全通訊易讀性，讓患者更容易理解。透過ChatGPT 4.0©和Gemini©等LLMs，將閱讀難度下降至六年級水準，保持準確性和重要訊息。顯示LLMs有助於簡化健康資訊，但仍需進一步研究應用在不同語言和真實情境中的患者。 PubMed DOI

A pseudonymized corpus of occupational health narratives for clinical entity recognition in Spanish.
西班牙語職業健康敘事的假名化語料庫，用於臨床實體識別。 BMC Med Inform Decis Mak 2024-07-25

這篇論文探討了建立一個註釋語料庫的過程，目的是對1,787篇與工作相關的事故和疾病的臨床敘述進行個人可識別資訊（PII）的匿名化。作者強調這類語料庫在大型語言模型中的重要性，因為這些模型可能會無意中記住敏感資訊。研究使用了一個先前訓練的命名實體識別（NER）模型，來識別醫療實體，並詳細分析了模型的表現，與醫生策劃的標準進行比較。論文還提供了註釋指南和語料庫，供未來研究使用。 PubMed DOI

Quantifying decision support level of explainable automatic classification of diagnoses in Spanish medical records.
量化西班牙醫療紀錄中可解釋的自動診斷分類的決策支持水平。 Comput Biol Med 2024-09-13

本研究針對西班牙語電子健康紀錄（EHR）進行自動分類，並強調可解釋性的重要性。我們引入了一個新指標Leberage，來量化預測的決策支持水平，並評估三種解釋方法：SHAP、LIME和IG。使用長型變壓器處理長文檔，並識別影響ICD分類的相關文本片段。結果顯示，我們的方法在同樣任務上提升了7%的效果，且LIME的表現最佳。整體而言，這些技術有效闡明黑箱模型的輸出，Leberage指標則為可解釋性技術的貢獻提供了量化工具。 PubMed DOI

原始文章

站上相關主題文章列表