這項研究探討大型語言模型（LLMs）在提升病人與臨床試驗（CTs）匹配的應用，並以資訊檢索為框架。研究開發了一個多階段檢索管道，結合BM25、Transformer排名器及LLM方法，數據來自TREC臨床試驗2021-23。結果顯示，微調的LLM在查詢形成、過濾及重新排名上表現優於傳統方法，提升了識別合格試驗的有效性。雖然LLMs具競爭力，但計算成本較高，效率降低。未來研究應聚焦於優化成本與檢索有效性之間的平衡。 PubMed DOI

實體與關係的聯合提取在資訊擷取中非常重要，尤其是在生物醫學文獻中。本文提出的模型有效解決了句內和句間的提取問題，對於長文本中的長距離依賴關係至關重要。模型結合了多種深度學習技術，如微調的BERT、圖卷積網絡、穩健學習及局部正則化條件隨機場，能準確識別生物醫學文本中的實體，並提取三元組關係。實驗結果顯示該模型在多個數據集上表現優異，促進了生物醫學知識圖譜的構建。相關代碼可在GitHub上獲取。 PubMed DOI

這項研究探討了使用開源大型語言模型Llama 3，分析2018至2023年間去中心化臨床試驗（DCTs）的趨勢，並解決試驗登記中術語不標準的問題。研究人員從ClinicalTrials.gov獲取數據，使用三個不同版本的Llama 3模型進行DCT分類和提取去中心化元素。結果顯示，微調模型能提高敏感性，但正確預測值較低，需專注於DCT術語。最終識別出692個DCT，主要為第二期試驗，顯示大型語言模型在分析非結構化臨床數據的潛力，並強調管理模型偏見的重要性。 PubMed DOI

這項研究針對分類中文醫學摘要的挑戰，對改善醫學資料庫的搜尋和文獻回顧非常重要。由於缺乏合適的數據集，我們生成了三個訓練數據集和一個測試數據集，以提升分類準確性。數據集 #1 來自 PubMed 的 15,000 條翻譯摘要，數據集 #2 和 #3 則是從 40,000 條中文醫學摘要中生成的。透過 SBERT 嵌入進行語義分析，我們的模型在分類效果上顯著提升，SBERT-DocSCAN 在數據集 #3 上達到最高準確率 91.30%。這項研究不僅生成了有價值的數據集，還證明了模型的有效性。 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

這篇文獻回顧指出，大型語言模型（LLMs）已被用來提升病患與臨床試驗配對的效率，尤其是OpenAI的模型。雖然LLMs能大幅提升配對準確度與規模，但目前仍面臨可靠性、可解釋性及過度依賴合成資料等問題。未來應加強模型調校、採用真實世界資料，並提升可解釋性，才能真正發揮其潛力。 PubMed DOI

這項研究開發了一套AI預篩選流程，把複雜的臨床試驗納入標準拆成簡單問題，並結合兩種大型語言模型來判斷病人資格。這系統不只準確率高、速度快，還能保障資料安全，特別適合資源有限的醫療單位，有助於提升肝病臨床試驗的招募效率。 PubMed DOI

這項研究用小型transformer和GPT-4o模型來分類醫學文獻，判斷是不是RCT和是否跟腫瘤學有關，兩種方法的準確率都很高，尤其是RCT分類F1分數超過0.9。之後再用簡單規則式，準確找出腫瘤學RCT的腫瘤類型，讓後續專業處理更有效率。 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