A framework enabling LLMs into regulatory environment for transparency and trustworthiness and its application to drug labeling document.
將此醫學文章的標題翻譯為繁體中文：「將LLMs引入監管環境以提升透明度和可信度的框架及其應用於藥物標籤文件」。 Regul Toxicol Pharmacol 2024-04-05

LLMs如ChatGPT可幫助監管機構處理龐大文件，但需克服專有信息處理、定製功能及輸出透明度挑戰。askFDALabel框架專為FDA藥物標籤開發，包含語義搜索和問答/文本生成模組，支援全面查詢。此框架可使小型LLMs成本效益地執行監管應用，展示了LLMs如何支持監管機構運作。 PubMed DOI

Large language model aided automatic high-throughput drug screening using self-controlled cohort study.
大型語言模型輔助的自我對照隊列研究自動化高通量藥物篩選。 medRxiv 2024-08-16

新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 PubMed DOI

Enhancing Postmarketing Surveillance of Medical Products With Large Language Models.
利用大型語言模型增強醫療產品的上市後監測。 JAMA Netw Open 2024-08-16

哨兵系統是美國FDA用來監控藥物安全的重要工具，透過臨床數據來指導藥物標籤和安全通訊。然而，觀察性數據的可靠性常受到挑戰。最近，大型語言模型（LLMs）的進展為解決這些問題提供了新機會，能從電子健康紀錄中識別不良事件並支持流行病學研究。不過，LLMs的準確性依賴於有效的提示工程，且其基礎設施在醫療系統中並不普遍，可能影響數據分析的公平性。此外，LLMs可能產生不準確的信息，導致假陽性，影響監管評估。因此，雖然LLMs有潛力改善上市後監測，但仍需努力確保公平性和準確性。 PubMed DOI

Toward an Explainable Large Language Model for the Automatic Identification of the Drug-Induced Liver Injury Literature.
朝向可解釋的大型語言模型以自動識別藥物誘發肝損傷文獻。 Chem Res Toxicol 2024-08-27

藥物引起的肝損傷（DILI）是藥物安全性的重要議題，也是急性肝衰竭的主要原因。傳統的文獻搜尋方法因藥物相互作用的複雜性而效率不高，且手動整理容易出錯。近期，利用大型語言模型（LLMs）如LLaMA-2，研究人員開發了專門用於DILI分析的模型，並在CAMDA 2022的數據集上達到97.19%的準確率，顯示出LLMs在文獻識別上的潛力，可能簡化監管審查流程。 PubMed DOI

Leveraging Large Language Models for Precision Monitoring of Chemotherapy-Induced Toxicities: A Pilot Study with Expert Comparisons and Future Directions.
利用大型語言模型精確監測化療引起的毒性：與專家比較的初步研究及未來方向。 Cancers (Basel) 2024-08-29

大型語言模型（LLMs），如OpenAI的GPT系列，在醫學領域展現潛力，特別是在腫瘤學中。研究評估了LLM在分類化療引起的主觀毒性方面的能力，結果顯示LLM在一般毒性類別的準確率為85.7%，但在特定類別的準確率僅為64.6%。雖然LLM的表現與腫瘤科醫生相當，但特定類別的準確性仍需改進。未來研究應聚焦於真實病人的驗證及即時互動能力，並考量數據準確性和隱私等倫理問題。總體而言，LLMs有潛力提升病人護理質量與效率。 PubMed DOI

Enhancing Precision in Detecting Severe Immune-Related Adverse Events: Comparative Analysis of Large Language Models and International Classification of Disease Codes in Patient Records.
提升檢測嚴重免疫相關不良事件的精確性：大型語言模型與國際疾病分類代碼在病歷中的比較分析。 J Clin Oncol 2024-09-03

這項研究探討大型語言模型（LLMs）在識別接受免疫檢查點抑制劑（ICI）治療患者的免疫相關不良事件（irAEs）中的應用，並與傳統手動裁定及ICD代碼進行比較。研究分析了超過12年的住院紀錄，發現LLMs在檢測irAEs的敏感性顯著高於ICD代碼，且效率更佳，平均每份病歷僅需9.53秒。總體來說，LLMs被認為是檢測irAEs的有效工具，提供更高的敏感性和效率。 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

Enhancing pharmacogenomic data accessibility and drug safety with large language models: a case study with Llama3.1.
利用大型語言模型提升藥物基因組數據的可及性和藥物安全性：以 Llama3.1 為案例研究。 Exp Biol Med (Maywood) 2024-12-18

藥物基因組學（PGx）旨在根據個人基因特徵來個性化醫療，以提升藥物療效與安全性。不過，PGx 研究面臨數據分散和提取繁瑣的挑戰。本研究評估大型語言模型（LLMs），特別是 Llama3.1-70B，能否自動化從 FDA 藥物標籤中提取 PGx 資訊。結果顯示，該模型在識別藥物-生物標記對的準確率達 91.4%，並且在提取 PGx 類別的穩定性超過 85%。這不僅簡化了數據提取，還有助於改善個性化醫療，並為少數族群揭示新資訊，顯示 LLMs 在 PGx 研究中的潛力。 PubMed DOI

Effectiveness of Transformer-Based Large Language Models in Identifying Adverse Drug Reaction Relations from Unstructured Discharge Summaries in Singapore.
基於變壓器的大型語言模型在新加坡從非結構化出院摘要中識別不良藥物反應關係的有效性。 Drug Saf 2025-02-21

基於變壓器的語言模型在自然語言處理上有顯著進展，但在臨床環境中識別藥物不良事件的有效性受到非標準語言的挑戰。研究中，九個預訓練的模型在5,088對藥物-AE數據上微調，並在新加坡的去識別化出院摘要及MIMIC-III數據庫進行驗證。結果顯示，BioM-ELECTRA-Large-BiLSTM模型的F1分數比傳統機器學習提高了16.1%。透過應用規則精煉預測，假陽性減少，精確度提升。整體而言，這些模型在識別因果相關藥物-AE對方面表現優於傳統方法，但仍需額外規則以克服限制。 PubMed DOI

An Evaluation Benchmark for Adverse Drug Event Prediction from Clinical Trial Results.
從臨床試驗結果預測不良藥物事件的評估基準。 Sci Data 2025-03-12

不良藥物事件（ADEs）在臨床試驗中是一大安全挑戰，因此預測這些事件對於開發更安全的藥物至關重要。我們推出了CT-ADE數據集，專注於單一藥物治療中的多標籤ADE預測，包含2,497種藥物和168,984對藥物-ADE配對，數據來自臨床試驗結果，並使用MedDRA標註。CT-ADE整合了治療和目標人群數據，便於比較分析。使用大型語言模型進行分析，最佳模型達到56%的F1分數，顯示上下文信息對預測ADE的重要性，使CT-ADE成為藥物安全風險評估的寶貴資源。 PubMed DOI

原始文章

站上相關主題文章列表