Predicting seizure recurrence after an initial seizure-like episode from routine clinical notes using large language models: a retrospective cohort study.
使用大型語言模型從常規臨床記錄預測初次類癲癇發作後的癲癇復發：一項回顧性cohort研究。 Lancet Digit Health 2023-12-05

研究目的是利用機器學習模型分析真實世界數據，預測兒童第一次類似癲癇發作後是否會再次發作。比較了波士頓兒童醫院的病歷和IBM MarketScan數據庫的索賠數據。結果顯示，大型語言模型在預測癲癇再次發作方面表現最佳，超越了使用結構化數據的模型。此外，臨床註記對預測癲癇再次發作有很大價值。 PubMed DOI

Optimizing Signal Management in a Vaccine Adverse Event Reporting System: A Proof-of-Concept with COVID-19 Vaccines Using Signs, Symptoms, and Natural Language Processing.
優化疫苗不良事件報告系統中的信號管理：以 COVID-19 疫苗為例，利用徵兆、症狀和自然語言處理的概念證明。 Drug Saf 2024-02-01

研究利用自然語言處理技術，改善COVID-19疫苗不良事件報告系統的信號管理。通過分析醫學文獻，成功排除了17%與疫苗接種後不良事件相關的不均衡信號。雖然有些技術表現不佳，但GPT-3.5在醫學術語方面達到78%的準確率。這種方法有助於提升疫苗安全監測的效率。 PubMed DOI

AE-GPT: Using Large Language Models to extract adverse events from surveillance reports-A use case with influenza vaccine adverse events.
AE-GPT：使用大型語言模型從監測報告中提取不良事件-以流感疫苗不良事件為例。 PLoS One 2024-03-25

LLMs如GPT-3.5透過VAERS數據，展現了辨識疫苗相關不良事件的潛力。研究專注於1990至2016年的案例，特別研究流感疫苗。經過調整的AE-GPT模型在提取不良事件方面表現良好，顯示LLMs在處理醫學數據和推進不良事件檢測任務上有潛力。 PubMed DOI

Utilizing Natural Language Processing and Large Language Models in the Diagnosis and Prediction of Infectious Diseases: A Systematic Review.
運用自然語言處理和大型語言模型在傳染病的診斷和預測中的應用：一項系統性回顧。 Am J Infect Control 2024-04-08

這篇文章討論了自然語言處理（NLP）和大型語言模型（LLMs）在傳染病管理的應用，列舉了15個研究案例，像是利用GPT-4檢測尿路感染、BERTweet監測萊姆病。雖然這些模型展現了潛力，但效果有差異。未來需更深入研究，充分運用人工智慧在疾病診斷、監測、預測和追蹤傳染病管理的流行病學趨勢。 PubMed DOI

A pilot feasibility study comparing large language models in extracting key information from ICU patient text records from an Irish population.
一項針對愛爾蘭人群 ICU 患者文本記錄中提取關鍵信息的大型語言模型比較的初步可行性研究。 Intensive Care Med Exp 2024-08-15

這項研究探討大型語言模型（LLMs）在生成重症監護病房（ICU）病人出院摘要的表現，分析了匿名臨床筆記。三個模型中，GPT-4 API的表現最佳，準確識別41.5%的關鍵臨床事件，ChatGPT和Llama 2則分別為19.2%和16.5%。雖然GPT-4在資訊組織和清晰度上表現優異，但仍有小錯誤，且所有模型在敘事連貫性和重要數據的捕捉上存在挑戰。總體來看，這些LLM在生成出院摘要上有潛力，但仍需改進。 PubMed DOI

Enhancing Postmarketing Surveillance of Medical Products With Large Language Models.
利用大型語言模型增強醫療產品的上市後監測。 JAMA Netw Open 2024-08-16

哨兵系統是美國FDA用來監控藥物安全的重要工具，透過臨床數據來指導藥物標籤和安全通訊。然而，觀察性數據的可靠性常受到挑戰。最近，大型語言模型（LLMs）的進展為解決這些問題提供了新機會，能從電子健康紀錄中識別不良事件並支持流行病學研究。不過，LLMs的準確性依賴於有效的提示工程，且其基礎設施在醫療系統中並不普遍，可能影響數據分析的公平性。此外，LLMs可能產生不準確的信息，導致假陽性，影響監管評估。因此，雖然LLMs有潛力改善上市後監測，但仍需努力確保公平性和準確性。 PubMed DOI

Feasibility of Artificial Intelligence Powered Adverse Event Analysis: Using a Large Language Model to Analyze Microwave Ablation Malfunction Data.
人工智慧驅動的不良事件分析的可行性：使用大型語言模型分析微波消融故障數據。 Can Assoc Radiol J 2024-08-22

本研究評估大型語言模型（LLM），特別是GPT-4，是否能有效分析介入放射學（IR）微波消融裝置的安全事件數據。研究收集了2011年至2023年的安全數據，並由人類審核者進行分類。GPT-4的分類準確率在訓練集達96.0%，驗證集86.4%，測試集87.3%。最終生成的摘要與人類解讀相似，顯示LLM在處理IR安全數據方面的潛力，成為臨床醫生的有用工具。 PubMed DOI

Enhancing Precision in Detecting Severe Immune-Related Adverse Events: Comparative Analysis of Large Language Models and International Classification of Disease Codes in Patient Records.
提升檢測嚴重免疫相關不良事件的精確性：大型語言模型與國際疾病分類代碼在病歷中的比較分析。 J Clin Oncol 2024-09-03

這項研究探討大型語言模型（LLMs）在識別接受免疫檢查點抑制劑（ICI）治療患者的免疫相關不良事件（irAEs）中的應用，並與傳統手動裁定及ICD代碼進行比較。研究分析了超過12年的住院紀錄，發現LLMs在檢測irAEs的敏感性顯著高於ICD代碼，且效率更佳，平均每份病歷僅需9.53秒。總體來說，LLMs被認為是檢測irAEs的有效工具，提供更高的敏感性和效率。 PubMed DOI

Extracting seizure control metrics from clinic notes of patients with epilepsy: A natural language processing approach.
從癲癇患者的診所筆記中提取癲癇控制指標：一種自然語言處理方法。 Epilepsy Res 2024-09-14

監測癲癇患者的發作控制指標對病情管理非常重要，但手動從電子健康紀錄中提取資訊耗時。本研究利用自然語言處理（NLP）自動提取癲癇發作的日期和頻率，使用預訓練模型RoBERTa_for_seizureFrequency_QA，結合正則表達式，從波士頓兩家醫院的臨床筆記中提取資料。研究涵蓋1,773名患者，結果顯示NLP模型在提取發作日期和頻率方面表現良好，顯示此方法可促進癲癇研究的進行。 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