社會健康決定因素（SDoH）對病人的結果很重要，但常常沒有完整記錄在電子健康紀錄（EHRs）中。大型語言模型（LLMs）可以幫助從EHRs中提取SDoH數據。研究專注於從EHR敘述文本中提取六個SDoH類別。最佳模型是Flan-T5 XL，對任何SDoH提及進行微調，以及Flan-T5 XXL，對不良SDoH提及進行微調。合成數據提高了性能，尤其對較小的模型。這些模型在零次和少次訓練情況下優於ChatGPT模型，並在添加種族/族裔和性別描述詞時表現較少偏見。這些模型識別出比ICD-10代碼更多具有不良SDoH的病人，突顯了它們在改善有關SDoH的真實世界證據並識別需要支持的病人方面的潛力。 PubMed DOI

社會健康決定因素（SDoH）對健康影響很大，其中住房穩定性至關重要。電子健康記錄（EHRs）中包含有用的SDoH資訊，但常為非結構化，需要透過自然語言處理（NLP）進行分析。新的NLP技術如GPT-4能有效辨識住房不穩定性，雖然在偵測上有高召回率，但精確度較低。LLMs提供擴展且成本效益高的解決方案，同時召回率也較高。結合LLMs和人工審查可提高數據分析效率，支持醫療系統提供更主動的病人護理。 PubMed DOI

研究專注於從電子健康記錄中提取社會健康決定因素，以改善健康公平。研究建立跨機構數據集，開發分類模型，包括大型語言模型，從不同醫療機構的臨床註釋中檢測SDoH因素。研究發現不同病人群、註釋類型和醫院有不同的SDoH記錄實踐和標籤分佈。LLM在辨識SDoH因素方面表現最佳，但在跨數據集泛化上仍有挑戰。為促進合作，研究提供了PhysioNet存儲庫上的註釋數據集和模型訪問權。 PubMed DOI

這項研究評估大型語言模型（LLMs）在社交媒體健康相關文本分類的表現，並比較了不同模型的效果。結果顯示，基於人類標註數據的模型如RoBERTa和BERTweet表現優於基於GPT-3.5和GPT-4的模型。雖然LLM可用於數據增強，但僅依賴LLM標註數據訓練效果不佳。研究指出，LLM作為零樣本分類器能有效減少假陰性，並減輕手動標註負擔，顯示其在特定領域自然語言處理的潛力。 PubMed DOI

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

這項研究強調在醫療照護中評估健康社會決定因素（SDoH）的重要性，以改善病患照護並縮小健康差距。研究探討了電子健康紀錄（EHRs）中SDoH數據不足的挑戰，主要因為缺乏標準化的診斷代碼。研究團隊使用大型語言模型（如BERT和RoBERTa）來分類無家可歸、食物不安全和家庭暴力等SDoH概念，並創建合成訓練數據集。結果顯示，這些模型能有效提取SDoH資訊，幫助醫療提供者識別高風險病患，進而實施針對性干預，支持減少健康差距的努力。 PubMed DOI

這項研究探討了機器學習在電子健康紀錄中識別社會和行為健康決定因素的效果。研究人員分析了MIMIC-III數據集中的超過200萬份臨床筆記，使用潛在語義索引（LSI）和GPT模型來預測SBDH類別。結果顯示，LSI的正向預測值超過83%，在多個SBDH類別的預測準確性上優於ICD-9編碼。雖然GPT-4表現稍佳，但LSI在成本效益和處理文件數量上更具優勢。整體而言，LSI是一種有效且實用的方法，適合應用於健康系統。 PubMed DOI

這項研究探討大型語言模型（LLMs）在精神科訪談中的應用，特別針對北韓脫北者的心理健康挑戰。研究目標是確認LLMs能否有效識別精神病症狀並總結壓力源。主要任務包括提取壓力源、識別症狀及總結訪談內容。結果顯示，使用GPT-4 Turbo模型後，73個記錄片段準確關聯精神病症狀，經微調後性能提升，平均準確率達0.82。LLMs生成的摘要在連貫性和相關性上得分高，顯示其在心理健康領域的潛力。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是Llama-2，如何在電子健康紀錄（EHRs）中檢測精神科入院紀錄的自殺風險。研究人員評估了不同Llama-2模型在100份精神科報告上的表現，並與專家定義的真實情況進行比較。經過德國微調的Llama-2模型表現最佳，準確率達87.5%，敏感性83.0%，特異性91.8%。結果顯示，LLMs能有效提取自殺相關資訊，並保持數據隱私，顯示其在監測精神科緊急情況及增強自殺管理上的潛在應用價值。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在識別孕婦臨床筆記中的住房不安全性方面的效果。主要發現顯示，GPT-4在識別住房不穩定案例上表現優於GPT-3.5，回憶率達0.924，超過人類抽取者的0.702。雖然GPT-4的精確度低於人類，但在去識別筆記中略有提升。研究建議，雖然手動抽取準確性較高，LLMs如GPT-4提供了可擴展且具成本效益的選擇，適合半自動化抽取，但仍需人類審查以避免錯誤解釋。 PubMed DOI