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

A study of generative large language model for medical research and healthcare.
一項針對醫學研究與醫療保健的生成式大型語言模型研究。 NPJ Digit Med 2024-02-10

一項新研究介紹了一個名為GatorTronGPT的語言模型，專門針對醫療保健領域的生物醫學自然語言處理進行訓練。這個模型能生成合成文本，有助於提升NLP模型的效能。研究結果顯示，GatorTronGPT生成的文本在可讀性和臨床相關性上與人類生成的文本相當。這項研究強調了在醫學研究和醫療保健領域運用大型語言模型的潛力和挑戰。 PubMed DOI

Large Language Models Facilitate the Generation of Electronic Health Record Phenotyping Algorithms.
大型語言模型有助於生成電子健康記錄表現型算法。 medRxiv 2024-03-14

研究使用電子健康記錄進行表型分析時，需要準確的演算法，但開發這些演算法可能耗費大量時間。研究指出，使用大型語言模型（LLMs）能有效生成初步演算法，其中GPT-4和GPT-3.5在評估中表現較佳。然而，仍需要人類專業知識來完善這些演算法。 PubMed DOI

Fine-tuning Large Language Models for Rare Disease Concept Normalization.
為罕見疾病概念規範調校大型語言模型。 bioRxiv 2024-01-18

研究目的是透過特定語料庫微調LLaMA 2，以改進罕見疾病概念的規範化。四個模型在臨床概念上表現準確，對打字錯誤有強大的辨識能力。同義詞模型在新概念上表現較佳。研究測試了模型在SNOMED-CT同義詞上的準確度，並指出ChatGPT 3.5在某些情況下能正確識別HPO ID。這些模型展現了對拼寫錯誤和同義詞的強大辨識能力，有助於臨床敘事中辨識和規範醫學概念。 PubMed DOI

Leveraging Large Language Models for Clinical Abbreviation Disambiguation.
運用大型語言模型進行臨床縮寫消歧。 J Med Syst 2024-02-28

醫學領域中，找到正確資訊很重要。這篇論文提出使用大型語言模型和生成模型來改善消除歧義，方法是增加相關內容的實例來擴充資料集。結合BlueBERT、Transformers和BIOGPT，產生多樣臨床文本實例。在CASI資料集上評估，方法提升效能，特別對有限實例的情況，解決資料不均和類似概念挑戰。結果顯示，大型語言模型和生成技術有效，模型準確度高於先前方法。 PubMed DOI

Clinical risk prediction using language models: benefits and considerations.
使用語言模型進行臨床風險預測：好處與考量。 J Am Med Inform Assoc 2024-02-27

研究探討利用語言模型強化電子健康記錄的風險預測。提出兩種新方法「LLaMA2-EHR」和「Sent-e-Med」，利用病歷文本預測診斷結果，表現優於先前方法，特點是少量樣本學習和適應醫學詞彙。但結果受提示影響，語言模型安全問題尚待解決，建議謹慎使用。 PubMed DOI

Large language models facilitate the generation of electronic health record phenotyping algorithms.
大型語言模型有助於生成電子健康記錄表現型算法。 J Am Med Inform Assoc 2024-04-13

在健康研究中使用電子健康記錄進行表型分析是至關重要的，但也很費時。像GPT-4和GPT-3.5這樣的大型語言模型可以幫助有效地生成初步演算法。然而，這些模型雖然可以識別臨床標準，但可能需要專家進一步精煉以提高準確性。 PubMed DOI

Filling the gaps: leveraging large language models for temporal harmonization of clinical text across multiple medical visits for clinical prediction.
利用大型語言模型填補空白：跨多次就醫的臨床文本進行時間協調，以進行臨床預測。 medRxiv 2024-05-20

電子病歷對於精準醫療很重要，但臨床註記提供的細節資訊也很關鍵。透過自然語言處理，臨床註記可用於預測長期結果，如慢性病。大型語言模型可處理不規則數據，協助整合多次就診的臨床註記。研究比較各種大型語言模型在臨床預測中的表現。 PubMed DOI

Improving the Quality of Unstructured Cancer Data Using Large Language Models: A German Oncological Case Study.
利用大型語言模型改善非結構化癌症數據的質量：德國腫瘤學案例研究。 Stud Health Technol Inform 2024-08-23

這篇論文探討流行病學和臨床癌症登記在改善腫瘤醫療及研究中的重要性，特別是在癌症影響日益擴大的情況下。文中指出醫療數據的多樣性帶來挑戰，使得腫瘤手動記錄變得困難。研究提出利用大型語言模型（LLMs）將非結構化醫療報告轉換為德國基本腫瘤數據集所需的結構化格式。結果顯示，將LLMs整合進醫院數據管理或癌症登記系統，能顯著提升癌症數據的質量與完整性，對於有效的診斷、治療及療效評估至關重要。這項研究為人工智慧在醫療數據處理及癌症護理中的潛力提供了新的見解。 PubMed DOI

Viability of Open Large Language Models for Clinical Documentation in German Health Care: Real-World Model Evaluation Study.
開放大型語言模型在德國醫療保健臨床文檔中的可行性：實際模型評估研究。 JMIR Med Inform 2024-08-28

這項研究探討了如何在有限計算資源下，利用非專有的大型語言模型（LLMs）協助醫療專業人員撰寫德語醫療文本。研究團隊訓練了四個擁有70億參數的模型，並與商業模型Claude-v2進行比較。結果顯示，BLOOM-CLP-German模型在自動評估中表現最佳，且在專家評估中，有93.1%的生成報告被認為可用，僅需少量修改。這顯示即使資源有限，仍能生成適合臨床的醫療文檔，強調選擇非英語模型時需考慮目標語言的重要性。 PubMed DOI

原始文章

站上相關主題文章列表