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

這篇論文提出了一個臨床試驗方案推薦系統，結合大型語言模型GPT-4與知識圖譜，旨在提升患者與臨床試驗的匹配效率。系統透過GPT-4的語意分析能力，根據患者特徵推薦合適的試驗方案。實驗結果顯示，GPT-4在方案排序和個性化推薦上優於其他模型。未來版本將納入更多患者因素，進一步提升推薦的個性化程度。這種整合有望對醫學研究和公共衛生管理帶來顯著好處，推動臨床試驗的發展。 PubMed DOI

藥物基因組學（PGx）旨在根據個人基因特徵來個性化醫療，以提升藥物療效與安全性。不過，PGx 研究面臨數據分散和提取繁瑣的挑戰。本研究評估大型語言模型（LLMs），特別是 Llama3.1-70B，能否自動化從 FDA 藥物標籤中提取 PGx 資訊。結果顯示，該模型在識別藥物-生物標記對的準確率達 91.4%，並且在提取 PGx 類別的穩定性超過 85%。這不僅簡化了數據提取，還有助於改善個性化醫療，並為少數族群揭示新資訊，顯示 LLMs 在 PGx 研究中的潛力。 PubMed DOI

大型語言模型（LLMs）如GPT和LLaMA在自然語言處理上表現優異，但在製藥製造等特定領域仍在探索中。本研究利用製造偏差的歷史記錄，旨在提升生產力、效率、品質和合規性。透過建立數據集，研究評估生成型LLMs和文本嵌入模型在處理偏差任務的能力。結果顯示，較大的生成模型在提取任務中表現佳，推理能力強，但也有幻覺行為。嵌入模型則能有效捕捉偏差類別的語義。整體而言，AI工具在製藥製造流程中展現出顯著潛力，並提出未來研究的方向。 PubMed DOI

這項研究評估大型語言模型（LLMs）在生成臨床試驗計畫書的有效性。研究人員使用LLM生成不同疾病和試驗階段的計畫書，並根據臨床思維、透明度、醫學術語和內容相關性四個標準進行評估。結果顯示，LLM在內容相關性和術語方面表現良好，但在臨床思維和透明度上則較差。為提升表現，研究人員採用檢索增強生成（RAG）方法，顯著改善了內容質量，提升了臨床思維和透明度的分數。這表明RAG方法能有效提升LLM在臨床試驗文件撰寫的可用性，並可能改變藥物開發過程。 PubMed DOI

這項研究探討了使用開源大型語言模型Llama 3，分析2018至2023年間去中心化臨床試驗（DCTs）的趨勢，並解決試驗登記中術語不標準的問題。研究人員從ClinicalTrials.gov獲取數據，使用三個不同版本的Llama 3模型進行DCT分類和提取去中心化元素。結果顯示，微調模型能提高敏感性，但正確預測值較低，需專注於DCT術語。最終識別出692個DCT，主要為第二期試驗，顯示大型語言模型在分析非結構化臨床數據的潛力，並強調管理模型偏見的重要性。 PubMed DOI

這項概念驗證研究顯示，大型語言模型（LLMs）能自動將非結構化的病例報告轉換為臨床評分。我們使用標準化的臨床評分量表，並評估LLM對其輸出的信心，以改善提示策略並確保結果的可重複性。針對藥物引起的帕金森症病例報告，研究結果顯示LLM提取的數據與臨床評分者手動提取的結果相當接近，準確率高達90%。 PubMed DOI

這個專案用標準化流程和大型語言模型來分析MAUDE資料庫裡醫療器材報告的自由敘述，提升事件分類的準確率和效率。以內視鏡黏膜切除術為例，這方法也能應用到其他醫材。不過，若要做更全面的病人安全研究，還需要更多元且大量的報告樣本。 PubMed DOI

在電子病歷中找出藥物不良事件（ADEs）很困難，因為相關資訊多藏在醫師的自由書寫紀錄裡。人工審查又很耗時，所以需要自動化工具。這項研究用大型語言模型來偵測ADEs，發現不到15%的出院紀錄會明確記載ADEs與藥物的關聯，顯示通報機制還有很大改進空間。 PubMed DOI

這項研究比較多款大型語言模型在自動化 pharmacometrics 任務的表現，發現 Claude 3.5 Sonnet 在產生模型圖、參數表和報告上最準確且易用。ChatGPT 4o 雖能模擬，但遇到複雜模型會卡關。整體來說，LLMs 有助於簡化工作流程，但還是需要專家把關結果。 PubMed DOI