Potential for GPT Technology to Optimize Future Clinical Decision-Making Using Retrieval-Augmented Generation.
潛在的 GPT 技術在未來臨床決策優化中利用檢索增強生成的可能性。 Ann Biomed Eng 2024-04-08

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

Extraction of Substance Use Information from Clinical Notes: A GPT-Based Investigation.
從臨床筆記中提取物質使用資訊：一項基於GPT的研究。 JMIR Med Inform 2024-07-22

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

PubMed Retrieval with RAG Techniques.
使用 RAG 技術進行 PubMed 檢索。 Stud Health Technol Inform 2024-08-23

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

Using Retrieval-Augmented Generation to Capture Molecularly-Driven Treatment Relationships for Precision Oncology.
使用檢索增強生成技術捕捉分子驅動的精準腫瘤治療關係。 Stud Health Technol Inform 2024-08-23

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

Mapping Drug Terms via Integration of a Retrieval-Augmented Generation Algorithm with a Large Language Model.
藥物術語的映射：通過將檢索增強生成算法與大型語言模型整合。 Healthc Inform Res 2024-11-17

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

Evaluation of the integration of retrieval-augmented generation in large language model for breast cancer nursing care responses.
大型語言模型中檢索增強生成技術在乳腺癌護理回應中的整合評估。 Sci Rep 2024-12-27

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

Two-Layer Retrieval-Augmented Generation Framework for Low-Resource Medical Question Answering Using Reddit Data: Proof-of-Concept Study.
基於Reddit數據的低資源醫學問答的雙層檢索增強生成框架：概念驗證研究。 J Med Internet Res 2025-01-06

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

From RAGs to riches: Utilizing large language models to write documents for clinical trials.
從 RAGs 到財富：利用大型語言模型撰寫臨床試驗文件。 Clin Trials 2025-02-27

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

Retrieval-Augmented Generation: Advancing personalized care and research in oncology.
檢索增強生成：推進腫瘤學中的個人化護理與研究。 Eur J Cancer 2025-03-11

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

Retrieval augmented generation for 10 large language models and its generalizability in assessing medical fitness.
10 種大型語言模型的檢索增強生成及其在評估醫療適應性中的普遍性。 NPJ Digit Med 2025-04-04

這項研究探討了基於GPT-4的檢索增強生成（RAG）模型在術前評估中的有效性。研究測試了十個大型語言模型，生成超過3,200個回應，並與近450個人類答案進行比較。結果顯示，使用國際指導的GPT-4 LLM-RAG模型準確率達96.4%，明顯高於人類的86.6%，且反應時間更快、不一致情況較少。這顯示LLM-RAG模型在醫療環境中提升術前評估的潛力。 PubMed DOI

原始文章

站上相關主題文章列表