敗血症是一種因免疫反應不當而引起的嚴重疾病，死亡率高且併發症多。早期檢測和治療對病人預後至關重要，但現有模型常忽略臨床筆記中的重要資訊。本研究提出COMPOSER-LLM，一個開源的大型語言模型，能與COMPOSER模型協同工作，提升早期敗血症預測準確性。測試中，COMPOSER-LLM的敏感性達72.1%，假警報率低，顯示出優於原模型的表現，並強調了其臨床應用潛力。這標誌著醫療分析的一大進步。 PubMed DOI

研究發現，把肺部生物標記（FABP4 基因表現）和 GPT-4 AI 分析電子病歷結合，診斷重症成人下呼吸道感染的準確率最高可達 96%，比單獨使用或傳統診斷更準。這種結合方式有望大幅提升重症病人 LRTI 的診斷效果。 PubMed DOI

這份技術說明介紹大型語言模型（如 GPT-4、Qwen-Chat）如何分析電子病歷，協助快速評估病患、預測敗血症及自動產生加護病房出院摘要。內容也說明如何用 DashScope API 把 LLMs 整合進臨床流程，並提供實用指引，幫助醫師和研究人員提升照護品質與推動個人化醫療。 PubMed DOI

這項研究發現，ChatGPT-4o在分析敗血症患者臨床紀錄、評估抗生素和導管管理上表現不錯，但在隔離措施和壓瘡辨識上有失誤。整體來說，LLMs有潛力成為臨床感染控制的輔助工具。 PubMed DOI

這項研究發現，Llama-3 8B 雖然模型較小，但在從病歷擷取臨床徵象、預測早期敗血症的表現，幾乎和較大的 Mixtral 8x7B 一樣好。兩者都整合進 COMPOSER-LLM 系統，準確率相近。這代表運算效率高的小模型，也很適合資源有限的醫療現場使用。 PubMed DOI

這項研究用 Llama 3.0 大型語言模型分析兩家醫院的病歷，來偵測手術部位感染。28位病人中，LLM準確率達93%，敏感度100%，特異度86%。模型多半能和醫師一樣早，甚至更早發現感染。結果顯示 LLM 有潛力協助醫療篩檢，但臨床應用前還需更多研究驗證。 PubMed DOI

這篇研究發現，針對不同臨床紀錄類型設計的NLP模型，在預測住院死亡風險上，比傳統方法和34種大型語言模型（LLMs）都更準確。雖然LLMs在其他領域很強，但在這個任務上表現不佳，顯示現有LLMs在臨床應用上還有限制。這個新模型也有助於找出最有用的臨床紀錄。 PubMed DOI

這項研究開發了一套新模型，把臨床資料轉成文字，再結合數值資訊，利用大型語言模型來預測心肺繞道手術前發生急性腎損傷的風險，準確率高達AUC 0.92。研究也找出哪些術前和術中措施有助預防AKI，能幫助醫師更早預測並預防相關風險。 PubMed DOI

這項研究發現，把大型語言模型（LLM）結合檢索增強生成（RAG）技術，能更準確預測病患30天內的術後死亡率和ASA分級，尤其在辨識高風險個案時表現更好。LLaMA-RAG模型的準確度和解釋性都優於傳統方法，顯示這種AI工具有助於臨床決策輔助，未來在醫療現場很有應用潛力。 PubMed DOI

這項研究開發了MetaSepsisKnowHub，首度整合427個敗血症生物標記和423篇文獻，打造專屬知識平台，協助個人化敗血症臨床決策。結合大型語言模型、RAG和提示工程後，系統在臨床建議的準確度、穩定性和可解釋性都明顯優於傳統LLM。專家評分和用戶滿意度也都很高，展現AI在重症醫療精準化上的新應用潛力。 PubMed DOI