Local large language models for privacy-preserving accelerated review of historic echocardiogram reports.
本地大型語言模型用於隱私保護加速審查歷史心臟超聲報告。 J Am Med Inform Assoc 2024-04-30

研究利用大型語言模型協助臨床醫生問心臟超聲心動圖報告，提升對複雜心臟病患見解，增進患者護理效率。研究收集西奈山醫療體系10年數據，每患者有10份報告。LLM模型LLaMA-2 70B回答問題準確率達90%，尤其在嚴重程度評估和診斷檢索表現較佳。研究顯示使用LLM解釋心臟超聲心動圖數據有效，比傳統搜索更佳，提高臨床決策和研究效率。 PubMed DOI

Large Language Models Improve the Identification of Emergency Department Visits for Symptomatic Kidney Stones.
大型語言模型改善了對有症狀腎結石的急診就診識別。 medRxiv 2024-08-30

這項研究探討大型語言模型（LLMs），特別是GPT-4和GPT-3.5，如何分析急診部報告以識別與腎結石相關的就診。研究使用標註過的數據集，透過提示優化和微調來提升模型表現。結果顯示，GPT-4的宏觀F1分數達0.833，明顯優於基準系統的0.71，而GPT-3.5則為0.796。研究還發現，GPT-4在種族和性別偏見方面表現良好，顯示出其在臨床文本分析的潛力。 PubMed DOI

Large language models can effectively extract stroke and reperfusion audit data from medical free-text discharge summaries.
大型語言模型能有效地從醫療自由文本出院摘要中提取中風和再灌注審核數據。 J Clin Neurosci 2024-09-21

這項初步研究探討了大型語言模型（LLM），特別是LLaMA3，如何從三級醫院的出院摘要中提取中風審核數據。研究分析了一個月內的中風住院病人出院摘要，成功提取144個數據點，LLM的準確率高達93.8%（135個正確）。結果顯示，LLM能有效提升中風審核數據的收集效率，並建議進一步研究以優化LLM與醫療專業人員的合作。 PubMed DOI

Extraction of clinical data on major pulmonary diseases from unstructured radiologic reports using a large language model.
使用大型語言模型從非結構化放射學報告中提取主要肺部疾病的臨床數據。 PLoS One 2024-11-25

這項研究探討大型語言模型（LLMs）在從非結構化放射報告中提取臨床數據的效果，專注於七種肺部疾病。研究分析了1,800份報告，並使用Google Gemini Pro 1.0、OpenAI的GPT-3.5和GPT-4進行數據提取。結果顯示，所有模型的準確率都很高，特別是GPT-4的表現最佳，敏感性和特異性均達到優秀水準。這些結果顯示，LLMs，尤其是GPT-4，可能成為醫生進行病歷審查的有效替代方案，提升非結構化放射數據的提取能力。 PubMed DOI

Utility of a large language model for extraction of clinical findings from healthcare data following lung ablation: A feasibility study.
肺部消融後從醫療數據中提取臨床發現的大型語言模型的實用性：一項可行性研究。 J Vasc Interv Radiol 2024-12-11

這項研究評估大型語言模型（LLM）在提取與肺部微波腫瘤消融（MWA）相關的臨床資訊的效果。研究針對20名患者進行回顧性分析，檢視治療後最多12個月的放射學報告和診所筆記。使用LLM（GPT 3.5 Turbo 16k）識別四個關鍵臨床結果，結果經手動審查驗證。分析104份放射學報告和37份診所筆記，顯示LLM在識別這些結果上準確率高達85%到100%。研究顯示LLM能有效提取醫療數據中的臨床資訊，未來可能對介入放射學研究有幫助。 PubMed DOI

Large Language Models for More Efficient Reporting of Hospital Quality Measures.
大型語言模型在醫院質量指標報告中的更高效應用。 NEJM AI 2024-12-20

這項研究探討如何利用大型語言模型（LLMs）來改善醫院的品質指標，特別是針對嚴重敗血症和敗血性休克的管理方案。研究團隊開發了一個基於LLM的系統，能自動化處理快速醫療互操作性資源（FHIR）數據，並與加州大學聖地牙哥醫療中心的100個手動抽象進行比較，達到90%的高一致性。專家審查指出，手動抽象中的錯誤影響了結果，顯示LLM的表現相當不錯。這項研究顯示LLMs能有效從電子健康紀錄中提取複雜的品質指標，提升醫療報告的效率與準確性。 PubMed DOI

Large language models improve the identification of emergency department visits for symptomatic kidney stones.
大型語言模型改善了對有症狀腎結石的急診就診識別。 Sci Rep 2025-01-28

這項研究探討大型語言模型（LLMs），特別是GPT-4和GPT-3.5，如何分析急診部報告以識別與腎結石相關的就診。研究使用標註過的數據集，透過提示優化和微調來提升模型表現。結果顯示，GPT-4的宏觀F1分數為0.833，表現最佳，而GPT-3.5為0.796。微調改善了GPT-3.5的表現，並且加入人口統計和醫療歷史信息有助於決策。GPT-4未顯示種族或性別偏見，但GPT-3.5在種族多樣性建模上有困難。研究強調了LLMs在臨床應用的潛力及偏見問題的重要性。 PubMed DOI

Integrating large language models with human expertise for disease detection in electronic health records.
將大型語言模型與人類專業知識整合以進行電子健康紀錄中的疾病檢測。 Comput Biol Med 2025-04-08

這項研究開發了一種利用大型語言模型（LLMs）從電子健康紀錄（EHR）中識別健康狀況的策略，解決了手動標記的繁瑣問題。研究將2015年的心臟登記隊列與阿爾伯塔省的EHR系統結合，分析臨床筆記以檢測急性心肌梗塞、糖尿病和高血壓。結果顯示，LLM方法在敏感度和陰性預測值上優於傳統ICD代碼，且檢測趨勢穩定。這種方法有潛力提升EHR在即時疾病監測中的應用效率。 PubMed DOI

Extracting Pulmonary Embolism Diagnoses From Radiology Impressions Using GPT-4o: Large Language Model Evaluation Study.
使用 GPT-4o 從放射學印象中提取肺栓塞診斷：大型語言模型評估研究。 JMIR Med Inform 2025-04-09

肺栓塞（PE）是一種危險的病症，需迅速診斷以降低死亡率。手動從放射科報告中提取PE診斷非常耗時，因此本研究探討使用GPT-4o模型自動化提取。研究開發了兩種方法：微調的Clinical Longformer和基於GPT-4o的提取器。結果顯示，GPT-4o在敏感性和F1分數上均優於Clinical Longformer，並在實際應用中保持高準確度。這顯示GPT-4o能有效簡化臨床流程，提升PE診斷的效率，改善病患結果。 PubMed DOI

Evaluating Large Language Models in Cardiovascular Antithrombotic Care: Performance, Accuracy, and Implications for Clinical Practice.
心血管抗血栓治療中大型語言模型的評估：表現、準確性及其對臨床實務的影響 Can J Cardiol 2025-04-16

這項研究發現，Claude 3 Opus 在心血管抗凝治療案例的準確度勝過其他大型語言模型和臨床醫師，正確率達85%。部分LLMs表現媲美甚至超越有經驗醫師，但免費版模型有時會給出不佳或不安全的建議。所有LLMs在生活型態和飲食建議上表現穩定。研究提醒，醫療決策時應謹慎選用並驗證LLMs。 PubMed DOI

原始文章

站上相關主題文章列表