Leveraging FDA Labeling Documents and Large Language Model to Enhance Annotation, Profiling, and Classification of Drug Adverse Events with AskFDALabel.
利用 FDA 標籤文件和大型語言模型來增強藥物不良事件的註釋、剖析和分類，使用 AskFDALabel。 Drug Saf 2025-02-20

與藥物相關的不良事件（AEs）是重要的公共衛生議題，而FDA的藥物標籤文件對於藥物安全性研究至關重要。手動提取不良事件數據既耗時又需專業知識，難以跟上更新。為了解決這個問題，開發了名為AskFDALabel的自動化流程，利用大型語言模型（LLM）和檢索增強生成（RAG）技術。該系統在三個基準實驗中表現優異，DILI的F1分數達0.978，DICT為0.931，顯示出顯著提高不良事件註釋的效率與準確性，對藥物安全研究具有重要潛力。 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

Utilizing large language models for detecting hospital-acquired conditions: an empirical study on pulmonary embolism.
利用大型語言模型檢測醫院獲得的病症：針對肺栓塞的實證研究。 J Am Med Inform Assoc 2025-03-19

這項研究探討了從電子病歷中檢測肺栓塞不良事件的挑戰，並開發了一個利用大型語言模型的框架。研究回顧了2017至2022年間的病歷，發現40例肺栓塞不良事件，流行率為0.4%。框架包含證據提取、出院資訊提取和PEAE檢測三個模組，評估了四個開源模型，結果顯示高敏感性和特異性。研究強調關鍵字過濾和出院摘要的納入能改善性能，並建議未來應加強上下文理解和醫學術語解釋，以提升檢測能力。 PubMed DOI

Predicting Explainable Dementia Types with LLM-aided Feature Engineering.
利用 LLM 輔助特徵工程預測可解釋的癡呆類型。 Bioinformatics 2025-04-08

機器學習（ML）和人工智慧（AI）在醫療領域的應用潛力巨大，但仍面臨解釋性和可靠性等挑戰。本文提出一種新方法，利用大型語言模型（LLMs）進行特徵工程，從《牛津醫學教科書》中提取臨床特徵，提升可解釋性。這種方法將臨床筆記轉換為概念向量，並使用線性分類器，準確率達到0.72，超越傳統基準。使用文本嵌入技術也顯著降低了時間和成本，減少了97%。相關代碼和補充材料可在指定網址獲得。 PubMed DOI

Leveraging Large Language Models for Synthetic Data Generation to Enhance Adverse Drug Event Detection in Tweets.
運用大型語言模型生成合成數據以提升推特中不良藥物事件偵測能力 Stud Health Technol Inform 2025-05-17

這篇論文用大型語言模型產生了1.7萬則帶有不良藥物事件標註的合成推文，解決社群媒體上缺乏標註資料的問題。用這些資料預訓練的NER模型，在真實推文上表現更好，經人工標註資料微調後更創新高，證明合成資料能大幅提升ADE偵測效果，且資料集已公開。 PubMed DOI

Detecting Adverse Drug Events in Clinical Notes Using Large Language Models.
使用大型語言模型偵測臨床紀錄中的藥物不良事件 Stud Health Technol Inform 2025-05-17

在電子病歷中找出藥物不良事件（ADEs）很困難，因為相關資訊多藏在醫師的自由書寫紀錄裡。人工審查又很耗時，所以需要自動化工具。這項研究用大型語言模型來偵測ADEs，發現不到15%的出院紀錄會明確記載ADEs與藥物的關聯，顯示通報機制還有很大改進空間。 PubMed DOI

Can large language models detect drug-drug interactions leading to adverse drug reactions?
大型語言模型能否偵測導致不良藥物反應的藥物間交互作用？ Ther Adv Drug Saf 2025-05-19

這項研究發現，ChatGPT 和 Claude 在協助藥物安全專家偵測藥物交互作用（DDIs）方面表現相近，且都優於 Gemini，尤其在簡單案例中。不過，三款大型語言模型的特異性都不高，容易誤判沒有交互作用的情況。總結來說，LLMs 可作為輔助工具，但專業藥師仍不可或缺，特別是在排除不存在的 DDIs 時。 PubMed DOI

Unveiling differential adverse event profiles in vaccines via LLM text embeddings and ontology semantic analysis.
透過LLM文本嵌入與本體語意分析揭示疫苗不良事件的差異性表現。 J Biomed Semantics 2025-05-23

這項研究發現，Llama-3 這類大型語言模型能比傳統方法更有效率地從疫苗仿單中擷取和分析不良事件。透過文字嵌入和分群，能更細緻掌握不良事件特徵，並用邏輯迴歸準確預測疫苗類型，準確率超過八成。顯示 LLMs 在疫苗安全分析和公共衛生研究上很有潛力。 PubMed DOI

Large language models for Alzheimer's disease drug discovery.
用於阿茲海默症新藥開發的大型語言模型 J Alzheimers Dis 2025-06-02

大型語言模型（LLMs）正大幅改變阿茲海默症藥物開發流程，能快速分析大量生醫資料、找出新藥標靶並設計新化合物。雖然還有資料品質和模型解釋性的挑戰，LLMs 已有效加速研究進展，為治療帶來新希望，也推動 AI 與生醫領域的合作。 PubMed DOI

DrugReX: an explainable drug repurposing system powered by large language models and literature-based knowledge graph.
DrugReX：由大型語言模型與文獻知識圖譜驅動的可解釋性藥物再利用系統 Res Sq 2025-06-30

DrugReX 是一套結合知識圖譜、機器學習和大型語言模型的新系統，能更有效率地找出藥物再利用的潛力。實際應用在阿茲海默症時，不只找出新藥物候選，還能提供有文獻佐證的解釋，專家也認為這比單靠 LLMs 更可靠，有助提升藥物再利用的透明度和可信度。 PubMed DOI

原始文章

站上相關主題文章列表