MedicoVerse 是一個針對製藥產業法規文件進行摘要的解決方案，運用先進的機器學習技術。它採用多階段流程，包括詞嵌入、聚類和摘要生成。首先，利用 SapBERT 模型創建嵌入，接著用層次聚合聚類方法組織這些嵌入，最後使用 bart-large-cnn-samsum 模型對每個聚類進行摘要，並合併成綜合概述。與 T5、Google Pegasus 等模型比較後，MedicoVerse 在 ROUGE 分數、BERTScore 等評估標準上表現更佳，提供更具資訊性的摘要。 PubMed DOI

在循證醫學中，隨機對照試驗（RCTs）對臨床指導方針至關重要，但傳統的手動數據提取效率低。為了解決這個問題，我們開發了一個針對傳統中醫（TCM）RCT的自動化信息提取模型，使用Evi-BERT結合規則提取技術，從48,523篇研究中提取數據。我們的模型顯著提高了數據的可搜索性和提取效率，並保持高準確性，幫助醫師節省文獻審查時間，加速臨床試驗證據的識別，最終促進精確的臨床指導方針制定。 PubMed DOI

這項研究探討了利用生成式人工智慧（GenAI）自動提取PICO（人口、介入、比較、結果）元素的方法，對於系統文獻回顧（SLRs）非常重要。考量到歐盟健康技術評估法規的要求，研究評估了GenAI在此任務上的可行性和效率。 研究人員從PubMed檢索了682,667篇隨機對照試驗的摘要，使用OpenAI的GPT-4o進行處理，PICO元素提取在三小時內完成，平均每1,000篇摘要處理時間為200秒。驗證結果顯示，GPT-4o準確提取了98%的PICO元素，顯示GenAI能顯著提升SLRs的效率，幫助製藥開發者更好地應對健康技術評估。 PubMed DOI

這項研究著重於改善臨床試驗的患者配對過程，傳統上需手動審查電子健康紀錄，常導致患者錯失治療機會。近期大型語言模型的進展讓自動化配對成為可能，但現有研究多依賴有限的合成數據，未能反映真實醫療數據的複雜性。研究者對一個臨床試驗配對系統進行實證評估，使用實際的電子健康紀錄，並引入名為OncoLLM的自訂模型。結果顯示，OncoLLM的表現超越GPT-3.5，與醫生的效果相當，可能顯著提升患者配對效率，改善治療選擇的可及性。 PubMed DOI

這項研究開發了一個名為SEETrials的自動化系統，專門從腫瘤臨床試驗摘要中提取安全性和有效性數據，以提升臨床決策的效率和準確性。系統包含預處理、知識攝取和後處理三個模組。研究團隊從2012到2023年收集了多發性骨髓瘤及其他癌症的臨床試驗摘要，結果顯示SEETrials在數據提取上表現優異，特別是在多發性骨髓瘤的試驗中，精確度達0.964，召回率0.988，F1分數0.974。整體而言，SEETrials有效促進了癌症療法數據的提取與分析。 PubMed DOI

臨床試驗的病人招募常常困難，但TrialGPT提供了解決方案。它的框架包含三個主要模組： 1. **TrialGPT-Retrieval**：能有效篩選和檢索試驗，回收率超過90%，只用不到6%的資料。 2. **TrialGPT-Matching**：評估病人符合性，準確率達87.3%，與專家相當，並提供清晰解釋。 3. **TrialGPT-Ranking**：生成的試驗分數與人類判斷一致，排名準確度超越競爭對手43.8%。 使用者研究顯示，TrialGPT能減少42.6%的篩選時間，顯示出在病人與試驗匹配上的進展。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）來提升臨床試驗（CT）方案設計，特別是在資格標準的編碼與總結上。研究人員從ClinicalTrials.gov提取資格部分，並用標準化工具拆解成規則，再透過LLMs進行聚類分析。經過三個實驗評估聚類的有效性，結果顯示這些聚類與CT信息高度對齊，且保留了97%的分類性能。生成的資格部分在ROUGE分數上達到95%，顯示出這種方法在CT設計上具實用性與效率，並提供可視化管道供進一步探索。 PubMed DOI

這項研究發現，開源大型語言模型（LLM）在從腫瘤臨床試驗描述中萃取基因生物標記資訊，並將試驗資料結構化方面，表現比GPT-4等封閉模型更好。即使沒特別調整，開源模型就很厲害，經過微調後準確度還能再提升。這有助於病患媒合合適的臨床試驗。 PubMed DOI

這項研究比較多款AI工具在藥廠和醫療領域的文獻回顧及法規文件撰寫表現，發現ELISE在準確度、推理和合規性都勝過其他工具，最適合高風險應用。不過，人工監督還是不可或缺，AI只能輔助專家，不能完全取代專業審查。 PubMed DOI

我們開發了一套用大型語言模型（LLMs）自動分類腫瘤臨床試驗和文獻的系統，在多個資料集和任務上都表現優異，準確率超過94%、F1-score超過92%，回應有效性最高達99.88%。雖然還有提示敏感度和運算資源的挑戰，但未來LLMs有望成為醫學文獻分類的重要工具。 PubMed DOI