Improving entity recognition using ensembles of deep learning and fine-tuned large language models: A case study on adverse event extraction from VAERS and social media.
使用深度學習和微調大型語言模型的集成來改善實體識別：以從 VAERS 和社交媒體提取不良事件為案例研究。 J Biomed Inform 2025-02-09

這項研究專注於從文本中提取與COVID-19疫苗相關的不良事件資訊，對疫苗安全性監測至關重要。研究比較了大型語言模型（LLMs）和傳統深度學習模型的表現，並探討了模型集成的優勢。使用了VAERS、Twitter和Reddit的數據，識別疫苗、接種和不良事件等實體。多個模型經過微調，最佳集成結果顯示「疫苗」的F1分數為0.878，「接種」為0.930，「不良事件」為0.925，整體微平均F1分數為0.903。研究強調了微調和集成方法在提升性能上的重要性，推進了生物醫學領域的自然語言處理。 PubMed DOI

Leveraging Large Language Models for Infectious Disease Surveillance-Using a Web Service for Monitoring COVID-19 Patterns From Self-Reporting Tweets: Content Analysis.
利用大型語言模型進行傳染病監測 - 使用網路服務監控自我報告推文中的 COVID-19 模式：內容分析。 J Med Internet Res 2025-02-20

新型SARS-CoV-2變異株及後COVID-19症狀仍影響許多人生活。由於約翰霍普金斯大學等機構不再每日報告確診病例，準確評估感染範圍變得困難。為此，我們開發了一個公開的COVID-19推文數據庫，專注於自我報告的病例及其症狀。我們收集了730萬條推文，發現常見症狀包括無精打采和幻覺，且再感染情況普遍。康復時間也顯著縮短，從2020年的約30天減少到2023年的約12天。這些數據對於持續追蹤COVID-19及提供見解至關重要。 PubMed DOI

PH-LLM: Public Health Large Language Models for Infoveillance.
公共衛生大型語言模型在資訊監測中的應用。 medRxiv 2025-02-24

公共衛生干預措施如疫苗接種和社交距離的成效，依賴於公眾的支持與遵守。社交媒體成為評估公眾參與的重要工具，但在緊急情況下，缺乏即時監測可能導致反應延遲。為此，我們開發了PH-LLM（公共衛生大型語言模型），專注於即時公共衛生監測，並建立了多語言數據集。PH-LLM在多項任務中表現優於其他模型，顯示其在公共衛生資訊監測上的潛力，能有效增強政策制定與危機應對。此研究部分由NIH贈款支持。 PubMed DOI

Large language models for analyzing open text in global health surveys: why children are not accessing vaccine services in the Democratic Republic of the Congo.
全球健康調查中分析開放文本的大型語言模型：為什麼兒童無法在剛果民主共和國獲得疫苗服務。 Int Health 2025-03-07

這項研究探討大型語言模型（LLMs）在分析全球健康調查自由文本回應的有效性，特別針對2020至2023年的疫苗覆蓋調查數據。研究測試了多種LLM技術，發現準確率介於61.5%到96%之間，微調或少樣本學習能顯著提升表現。結果顯示，LLMs能增強數據分析能力，並為全球健康組織提供可擴展且具成本效益的解決方案。儘管面臨挑戰，這項研究強調了LLMs在改善數據分析和指導健康政策方面的潛力。 PubMed DOI

Enhancing Relation Extraction for COVID-19 Vaccine Shot-Adverse Event Associations with Large Language Models.
利用大型語言模型增強 COVID-19 疫苗接種與不良事件之間的關係提取。 Res Sq 2025-04-01

這項研究探討COVID-19疫苗與不良事件的關聯，數據來自疫苗不良事件報告系統（VAERS）及社交媒體如Twitter和Reddit。分析了771對關聯，識別不同疫苗接種後的不良事件模式。使用了先進模型如GPT-3.5、GPT-4等進行關聯提取，並透過後處理規則精煉結果。經微調的GPT-3.5達到0.94的精確度和1的召回率。主要疫苗接種後常見的不良事件有手臂酸痛、疲勞和頭痛，而加強針則報告了更多不良事件，顯示大型語言模型在疫苗安全監測中的潛力。 PubMed DOI

MIFlu: Large Language Model-based Multimodal Influenza Forecasting Scheme.
MIFlu：基於大型語言模型的多模態流感預測方案 IEEE J Biomed Health Inform 2025-04-15

這篇論文提出MIFlu新方法，把流感數據和文字情境結合，並用大型語言模型來預測流感。結果顯示，這種做法預測準確率比傳統方法高出26.2%，證明結合專業知識和情境資訊對疾病預測很有幫助。 PubMed DOI

Unveiling differential adverse event profiles in vaccines via LLM text embeddings and ontology semantic analysis.
透過LLM文本嵌入與本體語意分析揭示疫苗不良事件的差異性表現。 J Biomed Semantics 2025-05-23

這項研究發現，Llama-3 這類大型語言模型能比傳統方法更有效率地從疫苗仿單中擷取和分析不良事件。透過文字嵌入和分群，能更細緻掌握不良事件特徵，並用邏輯迴歸準確預測疫苗類型，準確率超過八成。顯示 LLMs 在疫苗安全分析和公共衛生研究上很有潛力。 PubMed DOI

Using Large Language Models for sentiment analysis of health-related social media data: empirical evaluation and practical tips.
運用大型語言模型進行健康相關社群媒體資料的情感分析：實證評估與實用建議 AMIA Annu Symp Proc 2025-05-26

這篇論文比較了 GPT-3.5-Turbo、FLAN-T5 和 BERT 等大型語言模型在健康社群媒體情感分析的表現。結果顯示，LLMs 比傳統工具（像 VADER）表現更好，但準確度還有進步空間。透過調整提示語和微調，尤其是 BERT，效果會更好。研究也建議未來要在標註資料少的情況下，持續優化這些模型。 PubMed

Advancing real-time infectious disease forecasting using large language models.
利用大型語言模型推進即時傳染病預測 Nat Comput Sci 2025-06-06

PandemicLLM 是新一代疫情預測框架，把疾病傳播預測當成文字推理問題來解決。它結合即時多元資料（如防疫政策、基因監測、時序數據），透過 AI 與人類協作提示提升預測準確度。實測美國各州 COVID-19 資料，表現優於現有模型，能整合複雜非數值資訊，讓疫情預測更精準。 PubMed DOI

Use of Large Language Models to Classify Epidemiological Characteristics in Synthetic and Real-World Social Media Posts About Conjunctivitis Outbreaks: Infodemiology Study.
運用大型語言模型於合成與真實社群媒體貼文中分類結膜炎疫情流行病學特徵之資訊流行病學研究 J Med Internet Res 2025-07-02

這項研究發現，像 GPT-4 這類大型語言模型，能準確從社群貼文判斷結膜炎疫情的類型、規模和原因，表現有時甚至比人類專家還好。雖然敏感度還有進步空間，但 LLM 未來有機會協助自動化公共衛生監測，幫助及早發現疫情並提醒相關單位。 PubMed DOI

原始文章

站上相關主題文章列表