這篇論文探討如何利用大型語言模型（LLMs）來簡化生物醫學數據處理，特別是自動化數據發現與整合。我們推廣互操作性標準，透過創建共同數據元素（CDEs）來提升數據整合的效率。經過分析三十一項研究，我們開發了CDEs，並使用API填寫OpenAI GPT模型的元數據。經專家審查，94%的元數據無需手動修訂。我們的方法在阿茲海默症和帕金森基因計畫的數據中測試，顯示出良好的互操作性，旨在提升生物醫學研究的效率與合作性。 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

作者開發了一套流程，利用像 ChatGPT-4o 這類大型語言模型，自動把各種臨床和表現型資料轉成 i2b2 標準格式。這方法會用 LLM 產生 Python 程式，把不同格式的資料自動對應、轉換，方便在 i2b2 查詢和分析。經測試，這流程不但有效又能擴充，還能大幅減少人工整合資料的時間和人力。 PubMed DOI

這項研究推出 CDEMapper 工具，結合語意搜尋和大型語言模型，協助把本地資料對應到 NIH 的標準資料元素。CDEMapper 不只提升對應準確率，也讓操作更方便，有助於資料互通和重複利用。評估結果顯示，這工具比傳統人工方法更有效率，展現 LLM 在資料對應上的優勢。 PubMed DOI

這項研究開發了一套用大型語言模型自動從電子病歷中萃取多重慢性病患者資料的系統，在中國1,225位患者資料測試下，簡單特徵準確度高達99.6%，複雜特徵也有94.4%。這方法大幅提升效率與可靠性，減少人工處理，但資訊格式標準化仍是挑戰，且系統具高度彈性，適合各種研究或政策需求。 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

這項研究用多個大型語言模型（像是GPT-4、Claude 3.5等）來自動化產生EMS對話的電子病歷，結果比單一模型更準確，F1分數最高到0.81。專家也認為這系統能減輕紀錄負擔，但偶爾還是會誤解醫療情境。這是首次針對急診醫療紀錄自動化做系統性評估，展現未來應用潛力。 PubMed DOI

這項研究比較了多種大型語言模型（LLM）方法，把電子病歷的非結構化醫療文本標準化成臨床術語。結果發現，檢索增強生成（RAGnorm）方法表現最穩定、準確度最高，即使沒訓練資料也很有效。這類檢索型LLM在生醫文本標準化上很有潛力，值得持續發展與應用。 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，用大型語言模型自動產生心臟衰竭住院摘要，能幫助部分醫師更快回答問題，且準確率沒變。大多數醫師認為這樣能省時間，也願意使用，但摘要格式要配合個人需求。整體來說，LLM有助提升醫師效率，但摘要內容還需客製化。 PubMed DOI