準確預測ADMET（吸收、分佈、代謝、排泄和毒性）特性對藥物開發非常重要，能幫助選擇具良好藥物動力學及降低毒性的化合物。目前的ADMET數據集因樣本數量少及代表性不足而受限。為了解決這些問題，我們提出了一個多代理數據挖掘系統，利用大型語言模型識別14,401個生物測試的實驗條件，並整合不同來源的數據，最終創建了PharmaBench，包含156,618條原始條目，旨在支持藥物發現相關的AI模型開發。 PubMed DOI

這項研究探討結合檢索增強生成（RAG）模型與大型語言模型（LLM），以提升國際詞彙中藥物名稱對應的準確性。研究過程中，將藥物成分名稱翻譯成英文，並使用日本藥品名稱，從OHDSI標準詞彙中提取藥物概念。結果顯示，LLM + RAG的組合表現顯著優於傳統方法，命中率超過90%，而基準僅64%。此外，r-precision指標也從23%提升至41%至50%。整體而言，RAG與LLM的整合提供了更有效的全球藥物資訊對應方法。 PubMed DOI

基因學的進展讓基因諮詢需求增加，但合格的諮詢師卻短缺，因此有興趣利用大型語言模型（LLMs）來輔助基因諮詢。本研究針對日本基因諮詢LLMs（JGCLLMs）進行探索，評估了提示工程、檢索增強生成（RAG）和指令調整三種技術的效果。結果顯示，RAG在改善基因諮詢的關鍵指標上特別有效，而其他兩者效果較差。研究也揭示了倫理問題，強調在這些系統應用於醫療前，需持續改進與謹慎評估。 PubMed DOI

在日本，醫療器材的故障和健康問題需報告，JFMDA正努力標準化術語。國際上，IMDRF也有自己的術語標準。為促進國際協調，JFMDA與IMDRF的術語對應至關重要，但目前英日翻譯過程繁瑣且易出錯。本研究旨在找出最佳機器翻譯模型，將IMDRF術語翻譯成日語。研究顯示，GPT-4在各項評估中表現最佳，顯示其能顯著提升醫療術語對應系統的效率。 PubMed DOI

將臨床數據整合成OMOP標準格式對數據共享和分析至關重要，但過程複雜且耗時。為解決這一問題，開發了一個友好的自動化工具，利用大型語言模型來轉換臨床試驗數據和電子健康紀錄。該工具採用三層語義匹配系統，並在驗證中展現出高準確性，精確度達0.92至0.99，召回率達0.88至0.97。這使得小型研究團隊能更輕鬆參與數據共享，對加速臨床研究數據標準化具有重要意義。 PubMed DOI

這篇研究推出首個韓文醫學偏好資料集 KoMeP，能有效協助大型語言模型在生醫領域做對齊。KoMeP 透過自動化流程建立，省下大量人工成本。用 DPO 方法微調後，模型在 KorMedMCQA 測試提升明顯，Llama-3.1-8B 表現提升近 44%。DPO 效果比 ORPO 好，英韓轉移學習也很有用。未來建議擴充資料集並優化對齊方式。 PubMed DOI

基於Transformer的NLP模型能精準把電子病歷裡的藥物對應到OMOP CDM標準，表現比大型語言模型和傳統比對方法更好。常見藥物準確率高達96.5%，隨機藥物也有83%，有助於EHR資料自動化標準化，提升效率與擴展性。 PubMed

這項研究發現，GPT-4o等大型語言模型能根據實際用藥情境（如劑量）準確判斷藥物的ATC分類，表現比傳統搜尋方法更好（92.5%對82.5%）。LLM不僅準確、取得容易，還能考慮情境資訊，對藥物流行病學研究很有幫助。 PubMed DOI

這項研究發現，GPT-3.5-turbo-0125、GPT-4-turbo 和 GPT-4o 在腫瘤科藥物品牌名和學名的配對上表現很好，但在較複雜的臨床任務（如藥物交互作用判斷、診斷副作用等）則表現不穩定，甚至有偏誤。特別是 GPT-3.5-turbo-0125 偏好用品牌名。總結來說，這些模型在簡單任務上可靠，但臨床應用還需更嚴謹的評估與改進。 PubMed DOI

這篇研究比較兩種AI方法，把巴西醫療用語對應到國際標準。方法一結合語意相似度和大型語言模型，方法二用LLM代理人動態優化查詢。兩者準確度差不多，但代理人方法召回率較高。結果顯示，LLM能大幅減少專家整合醫療詞彙的人工負擔。 PubMed DOI