這項研究強調在醫療照護中評估健康社會決定因素（SDoH）的重要性，以改善病患照護並縮小健康差距。研究探討了電子健康紀錄（EHRs）中SDoH數據不足的挑戰，主要因為缺乏標準化的診斷代碼。研究團隊使用大型語言模型（如BERT和RoBERTa）來分類無家可歸、食物不安全和家庭暴力等SDoH概念，並創建合成訓練數據集。結果顯示，這些模型能有效提取SDoH資訊，幫助醫療提供者識別高風險病患，進而實施針對性干預，支持減少健康差距的努力。 PubMed DOI

這項研究探討了機器學習在電子健康紀錄中識別社會和行為健康決定因素的效果。研究人員分析了MIMIC-III數據集中的超過200萬份臨床筆記，使用潛在語義索引（LSI）和GPT模型來預測SBDH類別。結果顯示，LSI的正向預測值超過83%，在多個SBDH類別的預測準確性上優於ICD-9編碼。雖然GPT-4表現稍佳，但LSI在成本效益和處理文件數量上更具優勢。整體而言，LSI是一種有效且實用的方法，適合應用於健康系統。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在識別孕婦臨床筆記中的住房不安全性方面的效果。主要發現顯示，GPT-4在識別住房不穩定案例上表現優於GPT-3.5，回憶率達0.924，超過人類抽取者的0.702。雖然GPT-4的精確度低於人類，但在去識別筆記中略有提升。研究建議，雖然手動抽取準確性較高，LLMs如GPT-4提供了可擴展且具成本效益的選擇，適合半自動化抽取，但仍需人類審查以避免錯誤解釋。 PubMed DOI

這篇評論探討自然語言處理（NLP）在心理健康研究中的應用，特別是文本數據集和社會健康決定因素（SDOH）的整合。研究分析了1,768項來自PubMed、Scopus和CINAHL Complete的研究，發現臨床數據（42.8%）和社交媒體數據（33.7%）最為常見。抑鬱症和自殺是主要議題，但SDOH因素被低估，只有少數研究提及。此外，超過一半的研究未說明數據集的可獲取性。評論建議未來研究應重視SDOH，並透過共享數據集來提升關注度。 PubMed DOI

這項研究探討開源大型語言模型（LLMs）在從電子健康紀錄（EHRs）中提取社會健康決定因素（SDoH）數據的效果。研究隨機選取200名患者，並由兩位審查者手動標記九個SDoH方面，達成93%的高一致性。結果顯示，LLMs的表現明顯優於基準模型，特別是在識別明確提及的SDoH方面。最佳模型openchat_3.5在所有SDoH方面的準確率最高。研究強調進一步精煉和專業訓練的潛力，以提升LLMs在臨床研究中的應用，最終改善醫療結果。 PubMed DOI

SBDH-Reader是一個創新的工具，利用大型語言模型從醫療筆記中提取社會和行為健康決定因素（SBDH）數據。這個工具基於7,225份MIMIC-III數據庫的醫療筆記訓練，並在UT Southwestern Medical Center的971份病人筆記上測試，專注於就業、住房、婚姻關係和物質使用等六個類別。性能指標顯示，SBDH-Reader在各類別中取得了0.85到0.98的宏觀平均F1分數，特別是在識別不良屬性方面表現優異。總體而言，這個工具能有效提升臨床研究和病人照護的數據提取能力。 PubMed DOI

從電子健康紀錄擷取健康社會決定因素很難，因為資料多是非結構化且類別不均。作者把UMLS語意知識結合進大型語言模型，來產生更多訓練資料，特別補足資料較少的類別。這方法能提升模型擷取SDoH資訊的效果，並已在MIMIC-SDoH資料集上驗證有效。 PubMed

SDoH-GPT 是一套新方法，結合大型語言模型、少量範例學習和 XGBoost 分類器，能自動從醫療紀錄擷取健康社會決定因素。這大幅減少人工標註，省時又省錢，準確度也很高（Cohen’s kappa 0.92、AUROC 超過 0.90），已在三個資料集驗證，讓醫療界更容易運用 SDoH 資料。 PubMed DOI

這項研究發現，結合 soft prompt-based learning 和大型語言模型（像 GatorTronGPT），能大幅提升從不同醫院和疾病的臨床文本中萃取社會健康決定因素（SDoH）的效果。經過 prompt-tuning 的 GatorTronGPT，F1 分數最高比傳統 fine-tuned 模型多出 21.8%，顯示它在跨領域應用上表現更好。 PubMed

這項研究開發了一套自動化系統，運用大型語言模型和自然語言處理，從文獻中擷取健康社會決定因素，並結合阿茲海默症的生物資料建立知識圖譜。透過圖神經網路預測關聯，有助於了解社會因素對AD風險的影響，且方法也適用於其他健康議題。程式碼已公開在GitHub。 PubMed