The potential for large language models to transform cardiovascular medicine.
大型語言模型在心血管醫學轉型中的潛力。 Lancet Digit Health 2024-08-30

心血管疾病是全球主要的死亡原因，早期檢測仍然面臨挑戰。人工智慧（AI）在改善早期診斷方面展現潛力，特別是深度神經網絡能提高醫學影像的解讀準確性，發現心臟科醫生可能忽略的細節。隨著變壓器模型和大型語言模型的進步，AI能更好整合電子健康紀錄、影像和基因數據，幫助識別高風險患者並制定預防策略。儘管AI能提供即時診斷支持，但在臨床應用前仍需解決數據隱私和診斷錯誤等風險。本文探討AI在心血管醫學中的機會與挑戰。 PubMed DOI

Large-scale identification of social and behavioral determinants of health from clinical notes: comparison of Latent Semantic Indexing and Generative Pretrained Transformer (GPT) models.
從臨床筆記中大規模識別健康的社會和行為決定因素：潛在語義索引和生成預訓練變換器（GPT）模型的比較。 BMC Med Inform Decis Mak 2024-10-13

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

Enhancing Aortic Aneurysm Surveillance: Transformer NLP for Flagging and Measuring in Radiology Reports.
增強主動脈瘤監測：使用 Transformer NLP 在放射學報告中標記和測量。 Ann Vasc Surg 2024-10-18

這項研究探討了基於變壓器的自然語言處理（NLP）如何改善偶發性主動脈瘤（AAs）的檢測與管理。研究目標包括評估NLP管道的有效性、量化臨床影響及促進約診協調。分析了3,229份放射學報告，結果顯示NLP在檢測AAs方面準確性高，F1分數介於96.7%到99.4%之間，優於手動查閱。研究中，14.1%的患者有偶發性發現，55.7%成功聯繫並協調後續約診，顯示NLP能有效增強主動脈瘤的監測，改善患者結果。 PubMed DOI

AI-based prediction of left bundle branch block risk post-TAVI using pre-implantation clinical parameters.
利用植入前臨床參數，基於AI預測TAVI術後左束支傳導阻滯風險 Future Cardiol 2025-04-29

這項研究發現，用傳統機器學習和大型語言模型（像GPT-4）來預測TAVI手術後新發LBBB風險，GPT-4表現最好，甚至超越傳統ML模型。結果顯示，只用手術前的臨床資料，就能準確預測LBBB發生機率，未來有助於臨床決策。 PubMed DOI

Large Language Models and Artificial Neural Networks for Assessing 1-Year Mortality in Patients With Myocardial Infarction: Analysis From the Medical Information Mart for Intensive Care IV (MIMIC-IV) Database.
用於評估心肌梗塞患者一年內死亡率之大型語言模型與人工神經網路：來自加護病房醫療資訊資料庫 MIMIC-IV 的分析 J Med Internet Res 2025-05-12

這項研究比較三種AI模型預測急性心肌梗塞病患一年內死亡率的準確度。結果顯示，傳統人工神經網路（SWEDEHEART-AI）表現最好，預測能力優於兩個大型語言模型（Qwen-2和Llama-3）。雖然LLM有潛力，但目前在臨床風險預測上還不如傳統模型，未來還需加強其準確度與校正能力。 PubMed DOI

A Large Language Model Approach to Identifying Preoperative Frailty Among Older Adults From Clinical Notes.
利用大型語言模型從臨床紀錄中辨識老年人術前虛弱狀態之方法 J Am Geriatr Soc 2025-05-15

這項研究用大型語言模型（像RoBERTa和PubMedBERT）分析麻醉門診紀錄，成功辨識出病人術前的虛弱狀態，不論用哪種虛弱定義，模型表現都很準確。結果證明，LLM能有效從日常臨床紀錄中抓出像虛弱這種複雜的健康問題。 PubMed DOI

Identification of Long-Term Care Facility Residence From Admission Notes Using Large Language Models.
利用大型語言模型從入院紀錄辨識長期照護機構居住狀態 JAMA Netw Open 2025-05-22

一項涵蓋13家醫院的研究發現，GPT-4-Turbo這種大型語言模型在判斷病人是否有近期長照機構接觸史時，準確度跟人工差不多甚至更高，速度快25倍、成本省20倍，還能抓出人工審查的錯誤。這代表AI能有效從醫療紀錄中擷取重要資訊，幫助提升感染控制和醫院作業效率。 PubMed DOI

Narrative Feature or Structured Feature? A Study of Large Language Models to Identify Cancer Patients at Risk of Heart Failure.
敘述型特徵或結構化特徵？大型語言模型於辨識有心衰竭風險癌症病患之研究 AMIA Annu Symp Proc 2025-05-26

這項研究用電子健康紀錄和機器學習，預測哪些癌症病人容易發展成心臟衰竭。結果發現，大型語言模型GatorTron-3.9B表現最好，尤其是結合醫療代碼的新特徵後，明顯勝過傳統和其他深度學習模型。這方法有助於更精準找出高風險病人，提升癌症照護品質。 PubMed

Comparing Text-Based Clinical Risk Prediction in Critical Care: A Note-Specific Hierarchical Network and Large Language Models.
重症醫療中文本式臨床風險預測之比較：特定病歷紀錄分層網路與大型語言模型 IEEE J Biomed Health Inform 2025-05-27

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

Predicting 30-Day Postoperative Mortality and American Society of Anesthesiologists Physical Status Using Retrieval-Augmented Large Language Models: Development and Validation Study.
利用檢索增強大型語言模型預測30天術後死亡率與美國麻醉醫師學會身體狀態：開發與驗證研究 J Med Internet Res 2025-06-03

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

原始文章

站上相關主題文章列表