Algorithmic identification of treatment-emergent adverse events from clinical notes using large language models: a pilot study in inflammatory bowel disease.
運用大型語言模型從臨床記錄中演算識別治療相關不良事件：在炎症性腸道疾病中的初步研究。 medRxiv 2024-03-18

門診病歷中的藥物安全資訊很重要，但現有技術無法充分運用。UCSF BERT是新的臨床語言模型，可幫助辨識IBD患者接受非類固醇免疫抑制劑治療可能出現的嚴重不良事件。研究顯示UCSF BERT在928份IBD病歷中表現優異，提高了準確度和F1分數，對於辨識與藥物使用相關的住院事件有潛力。這項研究顯示大型語言模型如UCSF BERT對於改善藥物監視非常有幫助。 PubMed DOI

Algorithmic Identification of Treatment-Emergent Adverse Events From Clinical Notes Using Large Language Models: A Pilot Study in Inflammatory Bowel Disease.
使用大型語言模型從臨床記錄中算法識別治療相關不良事件：在炎症性腸病中的一項初步研究。 Clin Pharmacol Ther 2024-03-23

門診病歷裡的藥物安全資訊很重要，但現在還沒有充分運用在藥物監控上。UCSF-BERT模型被用來找出接受非類固醇免疫抑制劑治療的IBD患者可能發生的嚴重不良事件。這個模型在辨識藥物相關SAE方面表現很好，準確性和F1分數都很高。未來可以透過更多研究提升模型表現，並使用多中心數據和更新的語言模型架構進行評估。這研究顯示大型語言模型對提升藥物監視效能有潛力。 PubMed DOI

Comparative Evaluation of LLMs in Clinical Oncology.
臨床腫瘤學中大型語言模型的比較評估。 NEJM AI 2024-08-12

隨著人工智慧工具的普及，患者和醫療專業人員越來越依賴這些工具提供的醫療資訊。本研究評估了五個大型語言模型（LLaMA 1、PaLM 2、Claude-v1、GPT-3.5和GPT-4）在2044個腫瘤學相關問題上的表現。結果顯示，GPT-4在與人類基準比較中表現最佳，達到第50百分位以上。雖然GPT-4的準確率高達81.1%，但所有模型仍存在顯著錯誤率，顯示出持續評估這些AI工具的重要性，以確保其安全應用於臨床實踐。 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 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

Toward an Explainable Large Language Model for the Automatic Identification of the Drug-Induced Liver Injury Literature.
朝向可解釋的大型語言模型以自動識別藥物誘發肝損傷文獻。 Chem Res Toxicol 2024-08-27

藥物引起的肝損傷（DILI）是藥物安全性的重要議題，也是急性肝衰竭的主要原因。傳統的文獻搜尋方法因藥物相互作用的複雜性而效率不高，且手動整理容易出錯。近期，利用大型語言模型（LLMs）如LLaMA-2，研究人員開發了專門用於DILI分析的模型，並在CAMDA 2022的數據集上達到97.19%的準確率，顯示出LLMs在文獻識別上的潛力，可能簡化監管審查流程。 PubMed DOI

Leveraging Large Language Models for Precision Monitoring of Chemotherapy-Induced Toxicities: A Pilot Study with Expert Comparisons and Future Directions.
利用大型語言模型精確監測化療引起的毒性：與專家比較的初步研究及未來方向。 Cancers (Basel) 2024-08-29

大型語言模型（LLMs），如OpenAI的GPT系列，在醫學領域展現潛力，特別是在腫瘤學中。研究評估了LLM在分類化療引起的主觀毒性方面的能力，結果顯示LLM在一般毒性類別的準確率為85.7%，但在特定類別的準確率僅為64.6%。雖然LLM的表現與腫瘤科醫生相當，但特定類別的準確性仍需改進。未來研究應聚焦於真實病人的驗證及即時互動能力，並考量數據準確性和隱私等倫理問題。總體而言，LLMs有潛力提升病人護理質量與效率。 PubMed DOI

Large language models outperform traditional natural language processing methods in extracting patient-reported outcomes in IBD.
大型語言模型在提取炎症性腸病（IBD）患者報告的結果方面優於傳統自然語言處理方法。 medRxiv 2024-09-16

這項研究旨在提升從臨床筆記中提取與炎症性腸病（IBD）相關的病人報告結果（PROs），比較傳統自然語言處理（tNLP）和大型語言模型（LLMs）的效果。研究針對腹痛、腹瀉和糞便出血進行標註，並開發模型提取資訊。結果顯示，GPT-4在準確率上優於tNLP，尤其在外部驗證中表現穩定。研究強調LLMs在不同機構間的泛化能力，建議更廣泛應用這些工具以改善IBD的研究與病人護理。 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