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

研究使用電子健康記錄進行表型分析時，需要準確的演算法，但開發這些演算法可能耗費大量時間。研究指出，使用大型語言模型（LLMs）能有效生成初步演算法，其中GPT-4和GPT-3.5在評估中表現較佳。然而，仍需要人類專業知識來完善這些演算法。 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

這項研究探討大型語言模型（LLMs）在提升病人與臨床試驗（CTs）匹配的應用，並以資訊檢索為框架。研究開發了一個多階段檢索管道，結合BM25、Transformer排名器及LLM方法，數據來自TREC臨床試驗2021-23。結果顯示，微調的LLM在查詢形成、過濾及重新排名上表現優於傳統方法，提升了識別合格試驗的有效性。雖然LLMs具競爭力，但計算成本較高，效率降低。未來研究應聚焦於優化成本與檢索有效性之間的平衡。 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