針對大型語言模型（LLM）在回答感染預防問題的準確性和完整性進行的調查顯示，這些模型的準確率高達98.9%，完整性為94.6%。這顯示它們在這個領域的問題上是可靠的資源。研究結果指出，LLM可能成為感染預防諮詢的有價值補充，值得進一步探討在醫療環境中的應用，能增強決策能力，並為醫療專業人員提供額外支持。 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

Rodriguez-Nava 等人進行了一項概念驗證研究，探討如何利用安全的大型語言模型（LLM）來獲得醫療數據的批准。他們的研究專注於回顧性識別中心靜脈導管相關血流感染（CLABSIs），這是一種特定的醫療相關感染（HAI），並使用真實病人的數據進行監測。研究結果顯示，LLMs 有潛力顯著提升 HAI 監測的效率，並能部分自動化或簡化這個過程。 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

這項研究發現，GPT-4o 在不用人工標註的情況下，能準確又有效率地從電子病歷資料做慢性病分類，表現比傳統規則式方法和其他 LLMs 更好。GPT-4o 召回率高達 0.97，macro-F1 分數也有 0.92。若結合 LLMs 和規則式方法，還能進一步提升準確度，讓人工審查更聚焦在有疑慮的案例上。 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

這篇研究提出COMPOSER-LLM，把大型語言模型和現有敗血症預測工具結合，能同時分析結構化數據和臨床紀錄文字。實測2,500名病人，結果顯示新系統比傳統模型更準確，敏感度高、誤報少。即使有誤判，很多病人其實也有感染，證明這方法在臨床上很有幫助。整合LLM能更有效利用電子病歷，提升敗血症早期預測。 PubMed DOI

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