RxBERT是在BERT基礎上訓練的模型，應用在FDA藥物標籤文件，提升了藥物資訊分析效能。在各種任務中表現優異，勝過其他自然語言處理模型，有助於提升藥物安全審查和監管決策效果。RxBERT能協助研究人員和FDA審查員更有效地利用藥物標籤數據，促進公共衛生進步。這研究凸顯了專業監管文件訓練語言模型的重要性。 PubMed DOI

研究提出一種方法，從藥品標籤中提取藥物資訊，強化藥物術語。比較各種NER模型，找出最適合提取藥物資訊的模型。使用規則關係提取算法和藥物搜尋方法建立藥物知識圖，並與術語伺服器中的藥物匹配。結果顯示BERT-CRF模型在NER方面表現最佳，藥物搜尋方法匹配準確率達77%。建議將此模型應用為網路服務，改善醫療藥物管理。 PubMed DOI

研究專注於中藥專利藥品（CPM），開發CPMI-ChatGLM模型，指導使用這些藥品。透過專為CPM建立的數據集調整模型，表現優異。CPMI-ChatGLM有潛力提供CPM建議，對診療有價值。建立的數據集可挖掘分析，具實際應用價值。 PubMed DOI

生成式大型語言模型（LLMs）在自然語言處理表現優秀，尤其在問答和對話系統。MedChatZH是基於Transformer和LLaMA的中文醫學問答模型，透過醫學書籍預訓練並微調在醫學指導數據，在醫學對話數據集中表現優異。有興趣的研究者可在GitHub找到相關資源，支持中醫學和LLMs研究。 PubMed DOI

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

新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 PubMed DOI

這項研究探討了大型語言模型（LLMs），如GPT-3.5、GPT-4和Llama，在提取針灸穴位位置關係的有效性，特別是使用世界衛生組織的標準作為數據集。研究標註了五種穴位關係，並根據精確度、召回率和F1分數評估模型表現。結果顯示，微調後的GPT-3.5表現最佳，達到最高微平均F1分數0.92，顯示針灸領域的微調對關係提取的重要性。研究建議LLMs可增強針灸的臨床決策支持及教育資源，推進傳統醫學的資訊學發展。 PubMed DOI

在循證醫學中，隨機對照試驗（RCTs）對臨床指導方針至關重要，但傳統的手動數據提取效率低。為了解決這個問題，我們開發了一個針對傳統中醫（TCM）RCT的自動化信息提取模型，使用Evi-BERT結合規則提取技術，從48,523篇研究中提取數據。我們的模型顯著提高了數據的可搜索性和提取效率，並保持高準確性，幫助醫師節省文獻審查時間，加速臨床試驗證據的識別，最終促進精確的臨床指導方針制定。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）來提升計算藥物重定位的能力，特別是預測藥物與疾病的關聯。傳統方法常受限於不完整的數據，而LLMs能提供豐富的生物醫學知識。研究人員開發了零樣本提示模板，並提出三種模型架構，結果顯示LLM-DDA_GNN-AE在多項指標上表現優於其他模型。案例研究也證實了該模型在識別可靠藥物與疾病關聯方面的能力，顯示LLMs在藥物重定位及其他生物醫學任務中的潛力。 PubMed DOI

藥物再利用是一種高效且具成本效益的藥物發現策略，但現有模型常因數據不足而影響預測準確性。傳統的藥物-靶標互動模型難以泛化於大量藥物。相對地，大型語言模型（LLMs）因其龐大的數據和參數具優勢。 我們提出了DrugReAlign框架，結合LLMs和多來源提示技術，增強藥物再利用。此框架從廣泛知識庫中收集藥物和靶標的資訊，解決數據限制，並整合多數據庫的靶標摘要，顯著提升LLMs的表現。 透過分子對接和DTI數據集驗證，我們發現LLMs的靶標分析準確性與預測質量高度相關，顯示此框架可能為藥物再利用開創新途徑。 PubMed DOI