研究專注於從電子健康記錄中準確提取頭痛頻率數據，比較了不同NLP框架，結果顯示GPT-2表現最佳，準確度高且R平方分數優秀，勝過ClinicalBERT。研究顯示先進語言模型在臨床數據提取上有潛力，並已在GitHub分享模型和程式碼。 PubMed DOI

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

研究比較了ChatGPT-4和ChatGPT-3.5在提供癲癇相關資訊的表現，結果顯示ChatGPT-4較佳，回答具教育價值。這模型可提供可靠資訊支援醫護人員，但仍需進一步研究其應用潛力。 PubMed DOI

大型語言模型（LLMs）的快速發展將對未來的醫療保健產生重大影響，包括在癲癇領域。本篇評論探討了在癲癇護理中潛在使用LLMs的可能性，利用臨床病史和電子健康記錄。它討論了目前在癲癇中使用LLMs的研究，比較了不同模型，並概述了它們在該領域中的應用。評論還討論了LLMs的缺點和風險，並提出應對這些挑戰的建議。 PubMed DOI

電子健康記錄在臨床研究中很關鍵，但分析非結構化文本很費時費錢。自然語言處理能有效從電子健康記錄中提取數據。 AssistMED開發了NLP工具，能自動提取病人特徵，方便臨床研究。這工具使用友善的方式檢索臨床狀況、藥物和心臟超聲參數資訊。驗證結果顯示，工具表現良好，提供準確病人數據，並有進一步發展的潛力。 PubMed DOI

大型語言模型（LLMs）或許能改善醫療保健，但也可能存在偏見。社會健康因素影響癲癇護理的結果。研究發現LLM沒有固有偏見，但不同人群的癲癇結果有差異，女性、有公共保險和低收入者結果較差。解決這些差異對癲癇護理至關重要。 PubMed DOI

研究目標是開發NLP演算法，幫助準確提取臨床註記中的頭痛頻率。研究發現GPT-2效能最好，能有效提取頭痛頻率，並克服傳統演算法的挑戰。比較GPT-2和ClinicalBERT後發現GPT-2表現更優。GPT-2模型和程式碼已在GitHub上釋出，歡迎社群使用和進行微調。 PubMed DOI

阿茲海默症是美國最常見的失智症，睡眠對老年人的頭腦功能很重要。研究睡眠與阿茲海默症的關係有挑戰，但也很重要。這個研究想要從阿茲海默症患者的病歷中自動提取睡眠模式，以了解睡眠在阿茲海默症發展中的作用。通過分析570份病歷，使用自然語言處理技術，成功提取了睡眠相關的資訊。這個研究針對阿茲海默症患者，但也可擴展到其他疾病的睡眠研究。 PubMed DOI

這項研究評估了開源大型語言模型（LLMs）在從機械血栓切除報告中提取缺血性中風患者臨床數據的效果。研究使用了本地LLMs分析2020至2023年的患者報告，並引入外部數據集。測試了三個模型：Mixtral、Qwen和BioMistral，Mixtral在內部數據集上表現最佳，精確度達0.99。HITL方法使每個案例平均節省65.6%的時間，顯示LLMs在臨床數據自動提取中的潛力，並提升了精確度和可靠性。 PubMed DOI

這項研究探討如何利用自然語言處理（NLP）和機器學習（ML）技術，來識別急診部分診筆記中的熱性痙攣，特別針對6歲以下接種疫苗後的兒童。研究強調收集疫苗接種後不良事件數據的重要性，並開發了基準模式匹配方法來分類熱性痙攣。結果顯示，基於變壓器的模型在實時監測中表現優於傳統神經網絡，且足夠的訓練數據對模型效能至關重要。這項研究顯示NLP技術在疫苗不良事件監測中的潛力。 PubMed DOI