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

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

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 PubMed DOI

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

這項研究旨在提升神經生物銀行（NBB）中非結構化神經病理數據的可尋找性、可及性、互操作性和可重用性，並探討大型語言模型（LLMs）的應用。研究針對822名帕金森病捐贈者，開發以腦區和病理發現為中心的數據模型，促進數據轉換為通用數據元素，增進神經科學社群的數據共享。試點研究顯示，LLMs在結構化非結構化報告方面的提取質量可與人工整理相媲美，為PD研究提供了重要資源，並有助於整合臨床和遺傳信息，深化對帕金森病的理解。 PubMed DOI

這項研究評估了一個大型語言模型（LLM）在監測兒童注意力不足過動症（ADHD）藥物副作用的有效性。研究回顧了2015至2022年間社區初級醫療網絡中6至11歲ADHD兒童的電子健康紀錄。LLaMA模型經過ADHD相關臨床筆記訓練，並與醫療紀錄進行人工審查，顯示高敏感性（87.2%）和特異性（86.3%），AUC為0.93。主要發現包括：模型不受性別或保險類型影響，電話就診的副作用詢問記錄顯著低於其他就診方式。研究結論指出，LLM可有效衡量護理質量並改善ADHD藥物管理。 PubMed DOI

這項研究探討了結合知識增強電子檔案審查系統（KEEPER）與大型語言模型（LLMs），自動化觀察性研究中基於行政索賠和電子健康紀錄的案例裁定過程的可行性。傳統上，研究人員面臨數據限制及手動審查的挑戰。KEEPER 提取臨床發現，LLMs 評估患者是否符合案例標準。研究測試了四種 LLM，包括 GPT-4，結果顯示敏感性從 78% 到 98% 不等，特異性範圍為 48% 到 98%。這顯示 LLMs 在自動化表型評估上有潛力，未來可能減少手動審查的需求。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是OpenAI的GPT-4，如何提升自然語言查詢（NLQs）轉換為藥物監測（PV）數據庫中的SQL查詢的準確性。研究分三個階段，變化查詢複雜度，並評估有無商業上下文文件的效果。結果顯示，NLQ轉換為SQL的準確性從8.3%提升至78.3%，在所有複雜度層級中均一致。排除高複雜度查詢時，準確率可達85%。這項研究對非技術用戶在數據密集型領域的信息可及性具有重要意義。 PubMed DOI

帕金森氏症是一種影響全球超過一千萬人的神經退行性疾病，每年新增病例達一百萬。由於症狀多樣，診斷相當複雜，語言障礙可能在運動症狀前就出現，這使得語言分析成為早期檢測的有力工具。最近，大型語言模型（LLMs）的進展讓我們能夠自動識別帕金森氏症，準確率高達78%。研究顯示，這些模型能提取更相關的語言特徵，可能顯著改善診斷方法並幫助理解疾病進展。 PubMed DOI

這項研究用機器學習和大型語言模型分析33位帕金森氏症患者在服藥前後的語音內容，最好的模型準確率高達98%，還能預測神經精神評分。結果顯示，透過語音分析，有機會遠端且全面監測帕金森氏症患者的神經精神狀況。 PubMed DOI