Integrating Retrieval-Augmented Generation with Large Language Models in Nephrology: Advancing Practical Applications.
在腎臟學中整合檢索增強生成與大型語言模型：推進實際應用。 Medicina (Kaunas) 2024-03-30

在醫療領域，使用大型語言模型（LLMs）是重要進步，有助於改善病患護理、研究和教育。雖然LLMs有不完美之處，但透過提示工程和檢索增強生成（RAG）等策略，可以提高準確性和相關性。尤其在臨床決策等需要全面資訊的任務中，RAG是相當有幫助的。一個以KDIGO 2023慢性腎臟病指南為基礎的ChatGPT模型整合了RAG，展現了提供準確醫療建議的潛力。 PubMed DOI

An Entity Extraction Pipeline for Medical Text Records Using Large Language Models: Analytical Study.
使用大型語言模型的醫學文本記錄實體提取管線：分析研究。 J Med Internet Res 2024-04-01

這項研究介紹了一個新穎的模組化流程，利用大型語言模型從病人入院記錄中提取特徵。這個流程經過兩個低參數模型的測試，並在一個懷孕案例數據集上進行評估。結果顯示在特徵提取方面有很高的精確度，並且在消費級硬體上表現效率高。這種方法為從文本數據中提取臨床特徵提供了一個有前途的解決方案。 PubMed DOI

PubMed Retrieval with RAG Techniques.
使用 RAG 技術進行 PubMed 檢索。 Stud Health Technol Inform 2024-08-23

這項研究探討如何透過檢索增強生成（RAG）來提升從PubMed資料庫獲取醫療資訊的效果。研究將RAG與大型語言模型結合，旨在提高醫療專業人員獲得資訊的準確性和相關性。使用1,000個查詢的標記數據集進行評估，結果顯示在答案的相關性上有不錯的表現，但也指出在基礎性和上下文相關性方面仍需改進。 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

Enhancing Clinical Data Extraction from Pathology Reports: A Comparative Analysis of Large Language Models.
從病理報告中增強臨床數據提取：大型語言模型的比較分析。 Stud Health Technol Inform 2024-08-23

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

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

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

LLM-AIx: An open source pipeline for Information Extraction from unstructured medical text based on privacy preserving Large Language Models.
LLM-AIx：一個基於隱私保護大型語言模型的開源醫學文本非結構化信息提取管道。 medRxiv 2024-09-16

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

Privacy-preserving large language models for structured medical information retrieval.
隱私保護的大型語言模型在結構化醫療信息檢索中的應用。 NPJ Digit Med 2024-09-20

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

Large language models can effectively extract stroke and reperfusion audit data from medical free-text discharge summaries.
大型語言模型能有效地從醫療自由文本出院摘要中提取中風和再灌注審核數據。 J Clin Neurosci 2024-09-21

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

原始文章

站上相關主題文章列表