這項研究探討使用大型語言模型（LLMs）來模擬和分析癲癇治療的隨機臨床試驗。LLMs被用來產生臨床數據並分析藥物效力和報告的症狀，顯示與人類評估有密切的一致性。這表明LLMs能夠有效地總結和綜合臨床數據，為未來臨床研究提供了一個有前途的工具，而不需要專門的醫學語言培訓。 PubMed DOI

這項研究比較了不同大型語言模型在將病患配對到醫療臨床試驗上的效果。研究發現，當開源模型在專門的數據集上進行微調時，其表現可以與專有模型媲美。這項研究展示了開源模型在醫療應用中的潛力，並提供了一個數據集和一個經過微調的模型供公眾使用，以鼓勵在這個領域進行更多研究。 PubMed DOI

LLMs在臨床試驗文件生成上有潛力。輝瑞挑戰使用LLMs自動化臨床試驗文件，尤其是為CSRs創建安全表摘要。評估顯示性能差異，特別是在事實準確性和寫作風格方面。團隊多使用GPT模型，改進方向包括表格輸入、上下文添加和微調。挑戰結果顯示LLMs在自動化CSRs中表格摘要有潛力，強調需優化人類輸入和持續研究。 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

這篇評論探討了大型語言模型（LLMs）在醫療領域的臨床試驗現狀，共識別出27個試驗，其中5個已發表，22個仍在進行中。這些試驗涵蓋病人照護、數據管理、決策支持和研究協助等四大領域。雖然已發表的試驗顯示出潛在好處，但也引發了對準確性的擔憂。正在進行的試驗則探索病人教育和知情同意等創新應用。評論還指出評估LLMs快速變化特性的挑戰，並強調未來研究的方向。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）來提升臨床試驗（CT）方案設計，特別是在資格標準的編碼與總結上。研究人員從ClinicalTrials.gov提取資格部分，並用標準化工具拆解成規則，再透過LLMs進行聚類分析。經過三個實驗評估聚類的有效性，結果顯示這些聚類與CT信息高度對齊，且保留了97%的分類性能。生成的資格部分在ROUGE分數上達到95%，顯示出這種方法在CT設計上具實用性與效率，並提供可視化管道供進一步探索。 PubMed DOI

這項研究探討了大型語言模型（LLMs），特別是GPT-4，在製作癌症臨床試驗教育內容的潛力，旨在提升患者的理解。研究從ClinicalTrials.gov獲取知情同意書，生成簡短摘要和多選題，並透過患者調查和眾包註釋來評估其有效性。結果顯示，摘要內容可讀且具資訊性，患者認為有助於理解臨床試驗並提高參與意願。雖然多選題的準確性高，但當要求提供未明確列出的資訊時，GPT-4的準確性較低。整體而言，研究顯示GPT-4能有效生成患者友好的教育材料，但仍需人類監督以確保準確性。 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

這項研究探討了人工智慧，特別是大型語言模型（LLMs），在模擬隨機臨床試驗中對癲癇藥物cenobamate的應用。試驗包含240名患者，分為安慰劑組和全劑量藥物組。AI能準確分析臨床筆記，評估藥物的療效與安全性，結果顯示AI分析與人類分析相近，僅在療效識別上有小差異。這顯示AI在未來臨床研究中具備高效且可擴展的潛力，能減少對傳統數據挖掘方法的需求。 PubMed DOI

生成式人工智慧（GAI）技術，特別是大型語言模型（LLMs），在醫學領域的應用越來越普遍，尤其是在病人與臨床試驗配對方面。研究顯示，LLMs能有效匹配病人的健康紀錄與臨床試驗資格標準，並取得良好結果。雖然自動化配對有助於提升病人參與率和減輕醫療工作負擔，但也面臨挑戰，如可能帶來虛假希望、導航困難及需人類監督等問題。進一步研究對驗證LLM在腫瘤學中的安全性和有效性至關重要。 PubMed DOI