RxBERT: Enhancing drug labeling text mining and analysis with AI language modeling.
RxBERT：利用AI語言建模增強藥物標籤文本探勘與分析。 Exp Biol Med (Maywood) 2024-01-21

RxBERT是在BERT基礎上訓練的模型，應用在FDA藥物標籤文件，提升了藥物資訊分析效能。在各種任務中表現優異，勝過其他自然語言處理模型，有助於提升藥物安全審查和監管決策效果。RxBERT能協助研究人員和FDA審查員更有效地利用藥物標籤數據，促進公共衛生進步。這研究凸顯了專業監管文件訓練語言模型的重要性。 PubMed DOI

Transformer Models in Healthcare: A Survey and Thematic Analysis of Potentials, Shortcomings and Risks.
醫療領域中的Transformer模型：潛力、不足和風險的調查和主題分析。 J Med Syst 2024-02-20

LLMs（例如GPT和BERT）在醫療保健領域有應用潛力，但也帶來偏見、隱私擔憂和道德困境。研究指出，使用變壓器模型可提高效率，但也帶來挑戰，如偏見、可審計性和隱私風險。醫療專業人員需要具備專業知識，面對道德困境，並可能影響患者護理中的人際互動。必須進行全面培訓以因應系統操作和數據解釋的需求。 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

Practical Aspects of Using Large Language Models to Screen Abstracts for Cardiovascular Drug Development: Cross-Sectional Study.
使用大型語言模型篩選心血管藥物開發摘要的實務面向：橫斷面研究。 JMIR Med Inform 2024-10-04

本研究評估三種大型語言模型（LLMs）在心血管藥物開發文獻篩選中的有效性，重點包括： 1. **表現**：分析每個LLM在識別和總結心血管藥物相關文獻的能力。 2. **成本**：探討使用這些LLMs的財務影響，並與傳統文獻回顧方法比較時間和資源的節省。 3. **提示工程權衡**：研究不同提示設計對模型輸出的影響，及其對文獻篩選效率的影響。本研究旨在揭示LLMs在心血管藥物開發中的潛力，促進更明智的決策和加速新療法上市。 PubMed DOI

Harnessing the Power of ChatGPT in Cardiovascular Medicine: Innovations, Challenges, and Future Directions.
在心血管醫學中運用 ChatGPT 的力量：創新、挑戰與未來方向。 J Clin Med 2024-11-09

心血管疾病是全球主要的健康問題，人工智慧（AI）如ChatGPT為心血管醫學帶來了新機會。這篇文章探討了ChatGPT如何透過症狀分析、風險評估和診斷輔助來提升臨床決策，並改善醫療教育及研究交流。不過，也需注意潛在的不準確性、倫理問題和數據隱私等挑戰。未來應專注於提升訓練數據質量、開發專用模型及建立監管框架，以增強ChatGPT的臨床應用，進而改善治療效果和護理品質。 PubMed DOI

Comparative analysis of BERT-based and generative large language models for detecting suicidal ideation: a performance evaluation study.
基於 BERT 的模型與生成性大型語言模型在偵測自殺意念方面的比較分析：一項性能評估研究。 Cad Saude Publica 2024-11-28

這項研究比較了三種不同版本的BERT模型和大型語言模型（LLMs）在檢測巴西葡萄牙語文本中的自殺意念的效果。數據集包含2,691句無自殺意念和1,097句有自殺意念的句子，經心理學家標註。結果顯示，Bing/GPT-4表現最佳，準確率達98%，其次是微調過的BERTimbau-Large（96%）和BERTimbau-Base（94%）。Bard最低，僅62%。雖然模型召回率高，但研究強調尚未在臨床環境驗證，使用時需謹慎。 PubMed DOI

Evaluating of BERT-based and Large Language Mod for Suicide Detection, Prevention, and Risk Assessment: A Systematic Review.
基於 BERT 的大型語言模型在自殺檢測、預防和風險評估中的評估：系統性回顧。 J Med Syst 2024-12-31

自殺是重要的公共健康議題，人工智慧的進步，特別是大型語言模型（LLMs），在自殺檢測和預防上有顯著貢獻。這篇綜述分析了2018年到2024年間的29項研究，探討像GPT、Llama和BERT等模型在自殺預防中的應用。研究顯示，這些模型在早期檢測和預測方面通常表現優於心理健康專業人士。儘管LLMs展現出拯救生命的潛力，但仍需解決倫理問題，並與心理健康專家合作。 PubMed DOI

The Transformative Potential of Large Language Models in Mining Electronic Health Records Data: Content Analysis.
大型語言模型在挖掘電子健康紀錄數據中的變革潛力：內容分析。 JMIR Med Inform 2025-01-02

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在從腫瘤科電子健康紀錄中提取患者共病情況的表現。研究分析了250份病歷報告，結果顯示GPT-4在敏感性上表現優於GPT-3.5和醫生，達到96.8%。雖然醫生在精確度上稍勝一籌，但GPT-4的表現更一致，且能推斷出非明確的共病情況。整體而言，這些模型在提取資訊方面顯示出潛力，可能成為數據挖掘的重要工具。 PubMed DOI

Using Large Language Models to Detect and Understand Drug Discontinuation Events in Web-Based Forums: Development and Validation Study.
使用大型語言模型檢測和理解網路論壇中的藥物中斷事件：開發與驗證研究。 J Med Internet Res 2025-01-30

這項研究探討如何利用大型語言模型（LLMs），如BART和GPT-4，從MedHelp論壇的用戶評論中識別藥物停用事件（DDEs）。DDEs對藥物依從性和病人結果至關重要，但研究仍不多。研究人員建立了一個靈活的框架，並發布了首個開源DDE數據集，以促進後續研究。結果顯示，GPT-4o在識別根本原因上表現優異，而BART在檢測DDEs方面最有效。這項研究顯示了LLMs在分析公開數據的潛力，並鼓勵進一步探索。 PubMed DOI

Drug target assessments: classifying target modulation and associated health effects using multi-level BERT-based classification models.
藥物靶點評估：使用多層 BERT 基礎分類模型對靶點調節及相關健康影響進行分類。 Bioinform Adv 2025-03-20

藥物靶點的選擇對藥物開發至關重要，因此早期評估新靶點的治療效益和風險是必要的。傳統手動分析可能偏頗且耗時，但大型語言模型（LLMs）能提供更有效的文獻分析。目前，針對此目的的公開LLMs仍有限，主要集中在共現分析上。為解決此問題，基於BERT的模型已開發，用於分析PubMed中藥物靶點與健康效應的關係，並展現出0.86到0.92的F1分數。這些模型提供了靶點調節如何影響健康的深入見解，並已在PubMed數據庫中部署，透過TargetTri平台可訪問，代表AI輔助藥物靶點識別的重大進展。更多資訊可至 https://www.targettri.com 查詢。 PubMed DOI

原始文章

站上相關主題文章列表