From Free-text Drug Labels to Structured Medication Terminology with BERT and GPT.
從自由文本藥物標籤到利用 BERT 和 GPT 創建結構化藥物術語。 AMIA Annu Symp Proc 2024-01-16

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

Novel opportunities for clinical pharmacy research: development of a machine learning model to identify medication related causes of delirium in different patient groups.
臨床藥學研究的新機會：發展機器學習模型以識別不同病患群中與謎狂症相關的藥物原因。 Int J Clin Pharm 2024-04-09

像客製化的大型語言模型DELSTAR這樣的人工智慧技術，在臨床藥學研究中具有巨大潛力，可以識別和總結與藥物相關的資訊。這有助於制定更全面的處方指引，改進實踐支援應用程式，提高患者安全性。然而，確保人工智慧技術的準確和穩健使用將是一項挑戰。 PubMed DOI

Investigating Cross-Domain Binary Relation Classification in Biomedical Natural Language Processing.
探討生物醫學自然語言處理中跨領域二元關係分類。 AMIA Jt Summits Transl Sci Proc 2024-06-03

這篇論文討論了在生物醫學領域中處理自然語言的挑戰，特別是分類二元關係。作者評估了不同方法，像是微調BERT模型和生成式LLM，並檢視它們在不同情境下的表現。他們引入了一個新的生物醫學文本數據集，以協助研究關係分類。研究結果顯示這個任務對人類和模型都具有挑戰性，基於BERT的模型在某些領域表現優異，而LLM在其他領域表現良好。然而，這些模型仍無法達到人類水準，強調了高品質訓練數據和領域特定微調的重要性。 PubMed DOI

Evaluating large language models for health-related text classification tasks with public social media data.
利用公共社交媒體數據評估大型語言模型在健康相關文本分類任務中的表現。 J Am Med Inform Assoc 2024-08-09

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

On the development and validation of large language model-based classifiers for identifying social determinants of health.
基於大型語言模型的分類器在識別健康社會決定因素中的開發與驗證。 Proc Natl Acad Sci U S A 2024-09-16

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

Text classification models for assessing the completeness of randomized controlled trial publications based on CONSORT reporting guidelines.
基於 CONSORT 報告指導原則評估隨機對照試驗出版物完整性的文本分類模型。 Sci Rep 2024-09-17

這項研究旨在提升隨機對照試驗（RCT）出版物的報告品質，透過開發文本分類模型來檢視對CONSORT檢查表的遵循情況。研究使用了標註37個CONSORT項目的語料庫，訓練了多種模型，包括微調的PubMedBERT和BioGPT。主要發現顯示，微調的PubMedBERT模型在句子層級的微F1分數達0.71，文章層級為0.90。數據增強的影響有限，且針對方法的模型表現較佳。整體而言，這些模型能有效支持期刊編輯，改善RCT出版物的遵循情況。 PubMed DOI

Developing large language models to detect adverse drug events in posts on x.
在 x 平台上開發大型語言模型以檢測不良藥物事件。 J Biopharm Stat 2024-09-20

不良藥物事件（ADEs）對住院率影響顯著，且與高發病率和死亡率相關。傳統的藥物安全監測依賴於不良事件報告系統，但社交媒體如X（前身為Twitter）提供了有價值的患者見解。本研究探討使用大型語言模型（LLMs）進行ADE分類，結果顯示RoBERTa-large模型表現最佳，F1指標達0.8，微調後的ChatGPT則為0.75。特徵分析顯示某些術語在識別ADE中至關重要，顯示LLMs在藥物安全監測中的潛力。 PubMed DOI

Large Language Models and NAPLEX Practice Questions.
大型語言模型與 NAPLEX 練習題。 Am J Pharm Educ 2024-09-22

這項研究評估了三種大型語言模型（LLMs）—GPT-3.5、GPT-4和Chatsonic—在北美藥師執照考試（NAPLEX）練習題上的表現。結果顯示，GPT-4的準確率最高，McGraw Hill題組達87%，RxPrep題組達83.5%。相比之下，GPT-3.5和Chatsonic的表現較差，尤其在選擇所有正確答案的問題上。GPT-4在不良藥物反應（ADR）問題上表現特別優異，顯示其在藥學教育中的潛在應用價值。 PubMed DOI

Fine-Tuning Large Language Models to Enhance Programmatic Assessment in Graduate Medical Education.
微調大型語言模型以增強研究生醫學教育中的程式性評估。 J Educ Perioper Med 2024-10-02

這項研究探討了訓練大型語言模型（LLMs）來根據美國住院醫師教育認證委員會（ACGME）的標準分類受訓者的反饋。研究發現，雖然複雜的模型未必能提高分類準確率，但較小的模型如BERT-mini在性能上與FastText相當，且在個人設備上部署時更具優勢，能提升速度和數據隱私。這項研究有助於理解如何有效整合LLMs於醫學教育中。 PubMed DOI

Practical Aspects of Using Large Language Models to Screen Abstracts for Cardiovascular Drug Development: Cross-Sectional Study.
使用大型語言模型篩選心血管藥物開發摘要的實務面向：橫斷面研究。 JMIR Med Inform 2024-10-04

本研究評估三種大型語言模型（LLMs）在心血管藥物開發文獻篩選中的有效性，重點包括： 1. **表現**：分析每個LLM在識別和總結心血管藥物相關文獻的能力。 2. **成本**：探討使用這些LLMs的財務影響，並與傳統文獻回顧方法比較時間和資源的節省。 3. **提示工程權衡**：研究不同提示設計對模型輸出的影響，及其對文獻篩選效率的影響。本研究旨在揭示LLMs在心血管藥物開發中的潛力，促進更明智的決策和加速新療法上市。 PubMed DOI

原始文章

站上相關主題文章列表