原始文章

這項研究探討了一種結合檢索增強生成(RAG)和生成預訓練變壓器(GPT)的方法,旨在從非結構化的臨床筆記中提取和分類物質使用資訊。目的是提升病歷中識別物質使用的準確性與效率。透過RAG過濾GPT的輸入,分析範圍縮小至最相關的文本片段,進而提高提取的精確度和召回率。研究使用重症監護醫學資訊庫III數據集,並經人工驗證評估性能,結果顯示藥物和酒精的精確率達0.99,物質狀態的召回率為0.88,效果顯著。 PubMed DOI


站上相關主題文章列表

人工智慧在醫療保健領域發展迅速,尤其透過自然語言處理的 AI 聊天機器人,能模擬人類對話,幫助臨床醫生和患者溝通。機器人應用檢索增強生成技術,提供更具針對性和詳細的回應。整合臨床數據和權威醫學資料,AI 聊天機器人能提供更貼心的指導、快速的診斷和治療建議,進而改善患者結果。 PubMed DOI

這項研究探討了使用GPT-3.5語言模型,從MIMIC-III數據集中提取有關煙草、酒精和藥物使用的資訊,特別是病人出院摘要。研究強調了解行為因素對改善健康結果的重要性。雖然傳統自然語言處理方法面臨挑戰,但大型語言模型顯示出潛力。研究採用零樣本和少樣本學習技術,結果顯示零樣本學習在提取藥物使用提及方面有效,而少樣本學習則在評估使用狀態上表現更佳,雖然精確度有所下降。這強調了AI在電子健康紀錄中的應用潛力,有助於提升病人護理的個性化與有效性。 PubMed DOI

生成式人工智慧系統如ChatGPT在臨床環境中對治療物質使用障礙(SUDs)有潛力。本研究探討其在回答相關問題的有效性,透過線上康復論壇收集提問,並使用ChatGPT和Meta的LLaMA-2生成回應。雖然臨床醫師評價這些回應為高品質,但研究中發現了一些危險的錯誤資訊,如忽略自殺意念和提供不正確的求助熱線。這些結果顯示在醫療環境中使用此類人工智慧的風險,強調需進一步保障措施和臨床驗證。 PubMed DOI

這項研究探討如何透過檢索增強生成(RAG)來提升從PubMed資料庫獲取醫療資訊的效果。研究將RAG與大型語言模型結合,旨在提高醫療專業人員獲得資訊的準確性和相關性。使用1,000個查詢的標記數據集進行評估,結果顯示在答案的相關性上有不錯的表現,但也指出在基礎性和上下文相關性方面仍需改進。 PubMed DOI

現代的生成式人工智慧技術,如檢索增強生成(RAG),能顯著提升癌症治療的討論效果。專家通常需花費大量時間審查文獻以尋找證據和建議,但透過RAG流程,這個過程變得更簡單。該流程從可信來源(如OncoKB)檢索相關文本,並提供給大型語言模型(LLM),無需微調。研究顯示,透過向Llama 2模型提出簡單問題,能重現超過80%的治療關係,顯示出減少文獻審查勞動量的潛力,並提升討論效率。 PubMed DOI

這項研究探討結合檢索增強生成(RAG)模型與大型語言模型(LLM),以提升國際詞彙中藥物名稱對應的準確性。研究過程中,將藥物成分名稱翻譯成英文,並使用日本藥品名稱,從OHDSI標準詞彙中提取藥物概念。結果顯示,LLM + RAG的組合表現顯著優於傳統方法,命中率超過90%,而基準僅64%。此外,r-precision指標也從23%提升至41%至50%。整體而言,RAG與LLM的整合提供了更有效的全球藥物資訊對應方法。 PubMed DOI

這項研究探討了檢索增強生成(RAG)技術如何提升大型語言模型(LLMs)在乳腺癌護理中的效能。研究比較了兩組:一組使用GPT-4模型,另一組則結合RAG技術。結果顯示,RAG-GPT組在整體滿意度(8.4對5.4)和回答準確性(8.6對5.6)上明顯優於對照組,且差異具統計意義(p < 0.01)。不過,兩組在同理心得分上無顯著差異(8.4對7.8,p > 0.05)。結論指出,RAG技術能有效提升LLMs在臨床護理中的表現,顯示其在護理實踐和教育上的潛力。 PubMed DOI

這篇論文探討了一種檢索增強生成(RAG)架構,幫助臨床醫師從社交媒體獲取醫療資訊,特別是針對新興藥物問題。研究比較了大型語言模型Nous-Hermes-2-7B-DPO與GPT-4的表現,評估它們在生成醫療查詢相關答案的能力。結果顯示兩者在相關性、連貫性和覆蓋率上表現相當,但在可讀性上有顯著差異。總體而言,RAG框架在低資源環境中有效解決醫療問題,為臨床醫師提供了有價值的工具。 PubMed DOI

這項研究評估大型語言模型(LLMs)在生成臨床試驗計畫書的有效性。研究人員使用LLM生成不同疾病和試驗階段的計畫書,並根據臨床思維、透明度、醫學術語和內容相關性四個標準進行評估。結果顯示,LLM在內容相關性和術語方面表現良好,但在臨床思維和透明度上則較差。為提升表現,研究人員採用檢索增強生成(RAG)方法,顯著改善了內容質量,提升了臨床思維和透明度的分數。這表明RAG方法能有效提升LLM在臨床試驗文件撰寫的可用性,並可能改變藥物開發過程。 PubMed DOI

檢索增強生成(RAG)透過整合最新數據,提升大型語言模型(LLMs)的準確性與上下文意識。這方法將文本轉為數值嵌入,幫助檢索與使用者查詢相關的數據片段,讓模型的回答更具時效性。在腫瘤學中,RAG能改善治療建議、增強臨床試驗匹配,並加速藥物開發。不過,RAG的效果取決於數據質量,偏見或不完整的信息可能導致錯誤結果,因此需謹慎實施並加強人類監督。 PubMed DOI