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

研究評估了OpenAI的GPT和GPT-4在比較人類審查員時，對臨床研究論文標題和摘要的辨識表現。結果顯示，這些模型在篩選超過24,000個標題和摘要時表現準確且敏感，並展現了推理能力並修正錯誤。這些人工智慧模型有潛力優化審查流程、節省時間，並提升臨床研究品質，而非取代研究人員。 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

研究測試了RECTIFIER新方法，結合語言模型和自然語言處理，提高臨床試驗受試者篩選效率。結果顯示RECTIFIER比手動篩選表現更好，尤其在心臟衰竭試驗中。這技術有潛力改善篩選流程，但需謹慎，確保最終由臨床醫師審查，以確保患者安全。 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

研究介紹了Criteria2Query (C2Q) 3.0，利用GPT-4系統自動將臨床試驗的參與資格標準轉換為資料庫查詢。GPT-4在概念提取表現準確，但SQL查詢中有錯誤。推理提示一致，但可讀性有待改進。雖提高了參賽資格標準準確性，仍需進一步研究以確保可靠性。 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

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