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

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

使用大型語言模型（LLMs）如ChatGPT、OPT-13B和OPT-30B可以幫助自動生成高品質的戒菸干預訊息，這些訊息模仿專家的寫作風格。研究顯示，這些由LLM生成的訊息在品質、準確性、可信度和說服力方面符合臨床標準，使它們成為增強戒菸干預的寶貴工具。 PubMed DOI

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

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

這項研究強調生成式人工智慧（AI）在健康照護中，特別是針對2型糖尿病患者用藥遵從性方面的潛力。研究提供了一個透明的提示設計和內容生成過程，並附上1,150則由GPT-3.5模型生成的訊息，這些訊息符合可讀性和簡訊標準。研究指出生成訊息的多樣性，並建議這種方法能提升健康內容開發的效率與透明度。未來需評估這些介入措施對行為改變的倫理影響和有效性。 PubMed DOI

最近大型語言模型（LLMs）在自動化健康輔導方面的進展，特別是其零樣本學習能力，提供了重要機會。本研究比較了健康輔導員與RAG啟用的LLaMa-2-7b-chat模型在睡眠問題回答的質量。使用去識別化數據集，100對問答由專家、一般使用者和GPT-4評估，根據準確性、可讀性等五個標準進行評分。結果顯示，LLM的回答在62.25%的評估中被偏好，尤其在有幫助性上更受一般使用者青睞。這顯示LLM在健康輔導中具潛力，建議進一步探索臨床應用。 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