Large Language Models for Therapy Recommendations Across 3 Clinical Specialties: Comparative Study.
跨越三個臨床專業領域的治療建議大型語言模型：比較研究。 J Med Internet Res 2023-11-16

研究比較四個大型語言模型在眼科、骨科和皮膚科領域生成醫學內容的表現，發現不同模型在治療建議的質量、準確性和安全性上有差異。GPT-3.5-Turbo最安全，Bloomz質量較差。研究強調需持續改進人工智慧工具，確保醫學建議可靠。建議引入GPT-4的自動評估機制，擴展評估範疇。 PubMed DOI

Improving large language models for clinical named entity recognition via prompt engineering.
透過提示工程改善臨床命名實體識別的大型語言模型。 J Am Med Inform Assoc 2024-01-28

研究指出，GPT-3.5和GPT-4處理臨床數據時，只需少量訓練數據即可提取有價值資訊。透過改進提示策略，可增進模型在臨床命名實體識別任務表現，減少大量標註數據需求。雖GPT模型在臨床應用有潛力，仍需進一步改進。研究結果凸顯了量身定制的提示框架重要性，以提高大型語言模型在臨床環境性能。 PubMed DOI

Systematic analysis of ChatGPT, Google search and Llama 2 for clinical decision support tasks.
ChatGPT、Google 搜尋和 Llama 2 在臨床決策支援任務中的系統性分析。 Nat Commun 2024-03-09

研究發現GPT-4在醫學案例初步診斷、檢查和治療方面表現最佳，尤其在常見疾病方面。商業LLMs有潛力用於醫學問答，但仍需加強。開源LLMs則可應對數據隱私和培訓透明度需求。強調強大且受監管的AI模型在醫療保健領域的重要性。 PubMed DOI

Large language models for generating medical examinations: systematic review.
大型語言模型用於生成醫學檢查：系統性回顧。 BMC Med Educ 2024-04-01

這篇評論討論了使用大型語言模型（LLMs）製作醫學多重選擇題考試的議題。研究指出LLMs在產生問題上有效，但需注意部分問題不適合醫學考試，需修改。未來研究應解決這些限制，LLMs可作為撰寫醫學多重選擇題的工具，但應謹慎使用。 PubMed DOI

A Study of Biomedical Relation Extraction Using GPT Models.
使用 GPT 模型進行生物醫學關係提取之研究。 AMIA Jt Summits Transl Sci Proc 2024-06-03

關係抽取是NLP中的一個任務，專注於提取生物醫學實體之間的語義關係。研究者們正在研究使用大型語言模型如GPT-3.5-turbo和GPT-4來進行這項任務。在研究中，這些模型在EU-ADR、GAD和ChemProt三個標準數據集上進行了測試，並取得了不錯的成績。在某些情況下，GPT模型的表現甚至可以與BioBERT和PubMedBERT相媲美。 PubMed DOI

Using large language model to guide patients to create efficient and comprehensive clinical care message.
使用大型語言模型指導患者創建高效且全面的臨床護理訊息。 J Am Med Inform Assoc 2024-06-25

研究使用大型語言模型幫助病人提出問題，提升溝通效率。以范德堡大學醫學中心數據測試三個模型，CLAIR在清晰度、完整性和簡潔性表現最佳。GPT4在效用和完整性較高，但清晰度和簡潔性較差。CLAIR生成的問題與醫療者相符，有助改善溝通。 PubMed DOI

Evaluation of large language models as a diagnostic aid for complex medical cases.
大型語言模型作為複雜醫學案例診斷輔助的評估。 Front Med (Lausanne) 2024-07-05

研究比較了大型語言模型（LLMs）在臨床案例診斷上的表現，發現GPT4比GPT3.5更準確且提供更專業的診斷列表。然而，兩者仍有可能漏掉最可能的診斷。研究建議LLMs像GPT4可擴展診斷考慮範圍，但需改進以更符合疾病發生率和文獻。 PubMed DOI

Lingdan: enhancing encoding of traditional Chinese medicine knowledge for clinical reasoning tasks with large language models.
Lingdan：利用大型語言模型增強傳統中醫知識的編碼以支持臨床推理任務。 J Am Med Inform Assoc 2024-07-22

這項研究致力於開發一個針對傳統中醫的語言模型，旨在提升臨床推理能力，如診斷和處方建議。研究人員創建了三個重要數據集，並開發了Lingdan預訓練模型及兩個專門模型，分別用於症狀分析和草藥處方建議。這些模型在中醫知識回答和處方建議上表現優異，Lingdan-PR的F1-score比最佳基準提高了18.39%。這項研究顯示了人工智慧在改善醫療決策中的潛力，相關資料可在 https://github.com/TCMAI-BJTU/LingdanLLM 獲得。 PubMed DOI

Evaluating the effectiveness of large language models in patient education for conjunctivitis.
評估大型語言模型在結膜炎患者教育中的有效性。 Br J Ophthalmol 2024-08-30

這項研究評估了大型語言模型（LLMs）在回答結膜炎相關問題的有效性，於復旦大學眼耳鼻喉醫院進行。研究分為兩階段，第一階段四個LLM（GPT-4、Qwen、Baichuan 2和PaLM 2）回答22個問題，專家評估其正確性、完整性等。結果顯示GPT-4表現最佳，Qwen在有用性和安全性上也不錯。第二階段中，30名結膜炎患者與GPT-4或Qwen互動，滿意度高。研究結論認為LLMs能提升患者教育，但需改善個性化和複雜性處理能力。 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