臨床試驗對藥物研發和醫學證據至關重要，但招募病患有困難。研究使用大型語言模型（LLMs）協助找到合適的臨床試驗。新模型TrialGPT可預測病患是否符合試驗資格並排名試驗。測試顯示，TrialGPT能正確預測資格並有效排名試驗，但LLMs在醫學知識上有限制，可能出錯。未來研究應整合像TrialGPT這樣的人工智慧助手到臨床試驗流程，提升效率。 PubMed DOI

LLMs在臨床試驗中有許多應用，包括改善病患配對、簡化計劃、分析文本、協助撰寫文件，甚至透過聊天機器人提供同意書。儘管前景看好，但仍需克服準確性和法律挑戰。整合LLMs到臨床試驗可能提高效率和病患參與度，但必須謹慎思考和投資。 PubMed DOI

研究發現利用大型語言模型（LLMs）總結電子健康記錄（EHR）有助於減輕臨床文件負擔，提升臨床醫生專注於個性化患者護理。研究指出最佳適應的LLMs在完整性和正確性方面優於人工摘要，但也面臨挑戰，需要進一步改進。 PubMed DOI

研究比較四個大型語言模型（LLMs）與專家醫師在協助精準腫瘤學臨床決策的表現。LLMs提供更多治療方案，但品質和可信度不如專家。然而，部分LLMs提出的治療方案獲得委員會認可。研究建議LLMs可提供協助，但無法取代人類專家。 PubMed DOI

研究使用大型語言模型改善病人與臨床試驗匹配，透過強化電子病歷與試驗標準相容性。提出的隱私資料擴增方法LLM-PTM，平均提升7.32%，且泛化能力比以往更好12.12%。案例研究顯示方法有效。 PubMed DOI

這項研究比較了不同大型語言模型在將病患配對到醫療臨床試驗上的效果。研究發現，當開源模型在專門的數據集上進行微調時，其表現可以與專有模型媲美。這項研究展示了開源模型在醫療應用中的潛力，並提供了一個數據集和一個經過微調的模型供公眾使用，以鼓勵在這個領域進行更多研究。 PubMed DOI

使用大型語言模型如GPT-3.5 Turbo和GPT-4可提升臨床試驗患者配對的效率和準確性。研究顯示GPT-4在患者記錄和AI技術中表現優異，有助於減少招募錯誤、減輕研究負擔、加速研究。然而，仍需進一步研究以驗證其在實際臨床數據中的效用。 PubMed DOI

這項研究著重於改善臨床試驗的患者配對過程，傳統上需手動審查電子健康紀錄，常導致患者錯失治療機會。近期大型語言模型的進展讓自動化配對成為可能，但現有研究多依賴有限的合成數據，未能反映真實醫療數據的複雜性。研究者對一個臨床試驗配對系統進行實證評估，使用實際的電子健康紀錄，並引入名為OncoLLM的自訂模型。結果顯示，OncoLLM的表現超越GPT-3.5，與醫生的效果相當，可能顯著提升患者配對效率，改善治療選擇的可及性。 PubMed DOI

臨床試驗的病人招募常常困難，但TrialGPT提供了解決方案。它的框架包含三個主要模組： 1. **TrialGPT-Retrieval**：能有效篩選和檢索試驗，回收率超過90%，只用不到6%的資料。 2. **TrialGPT-Matching**：評估病人符合性，準確率達87.3%，與專家相當，並提供清晰解釋。 3. **TrialGPT-Ranking**：生成的試驗分數與人類判斷一致，排名準確度超越競爭對手43.8%。 使用者研究顯示，TrialGPT能減少42.6%的篩選時間，顯示出在病人與試驗匹配上的進展。 PubMed DOI

這篇評論探討了大型語言模型（LLMs）在醫療領域的臨床試驗現狀，共識別出27個試驗，其中5個已發表，22個仍在進行中。這些試驗涵蓋病人照護、數據管理、決策支持和研究協助等四大領域。雖然已發表的試驗顯示出潛在好處，但也引發了對準確性的擔憂。正在進行的試驗則探索病人教育和知情同意等創新應用。評論還指出評估LLMs快速變化特性的挑戰，並強調未來研究的方向。 PubMed DOI