對於使用真實臨床筆記來識別中心靜脈導管相關血流感染（CLABSI）的安全大型語言模型進行評估，顯示出令人鼓舞的結果。即使沒有進行預訓練，該模型也能迅速評估並準確識別CLABSI，且具備高敏感性。研究結果顯示，若能獲得更大規模的病患資訊數據集，模型的表現可能會進一步提升。 PubMed DOI

這項研究比較了兩個開源大型語言模型，Llama-3 8B 和 Mixtral 8x7B，在預測敗血症的表現。新系統 COMPOSER-LLM 結合了大型語言模型，能從非結構化的臨床筆記中提取資訊。經過對 2,074 次病人就診的評估，Llama-3 8B 模型的敏感性為 70.3%，而 Mixtral 8x7B 的敏感性為 72.1%。結果顯示，較小的 Llama-3 模型在早期敗血症預測上表現良好，對資源有限的醫療環境特別重要。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）來改善醫院的品質指標，特別是針對嚴重敗血症和敗血性休克的管理方案。研究團隊開發了一個基於LLM的系統，能自動化處理快速醫療互操作性資源（FHIR）數據，並與加州大學聖地牙哥醫療中心的100個手動抽象進行比較，達到90%的高一致性。專家審查指出，手動抽象中的錯誤影響了結果，顯示LLM的表現相當不錯。這項研究顯示LLMs能有效從電子健康紀錄中提取複雜的品質指標，提升醫療報告的效率與準確性。 PubMed DOI

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

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