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

系統性回顧（SR）在綜合醫學文獻中非常重要，但手動篩選文章耗時。大型語言模型（LLMs）有潛力協助篩選相關文獻，雖然目前效果仍在研究中。本研究比較了18種LLMs與人類審稿者在三個SR中的選擇重疊情況。結果顯示，LLMs雖然識別的文章數量較少，但仍能正確分類相當多的標題和摘要。LLMs的表現受納入標準和回顧設計影響，能減輕人類審稿者的工作量，範圍從33%到93%不等。為了提升效果，需在使用前精煉標準。 PubMed DOI

大型語言模型（LLMs）在學術研究中有助於提升效率，特別是在系統性回顧方面。本研究比較了兩種基於LLM的系統性回顧方法：完全自動化（LLM-FA）和半自動化（LLM-SA）。結果顯示，LLM-FA的效果有限，僅識別出32.7%至6.1%的相關論文；而LLM-SA則表現更佳，成功納入82.7%的相關論文，並有效排除92.2%的不相關論文。這顯示LLMs雖無法獨立完成任務，但可作為提升論文選擇效率的輔助工具。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）提升系統性回顧（SRs）的效率，特別是在文章摘要和全文篩選上。研究分析了48,425個引用文獻和12,690篇文章，使用GPT4-0125-preview模型開發提示模板。結果顯示，優化後的提示在摘要和全文篩選上都達到高敏感度和特異性，且篩選速度快、成本低。研究建議這些創新對研究者和醫學領域人員非常有幫助，但也指出了一些限制，如僅針對免費文章及需進一步優化提示。 PubMed DOI

您開發了一個大型語言模型（LLM）輔助的系統，專門用於健康技術評估（HTA）的系統性文獻回顧（SLR）。這個系統包含五個模組，從文獻搜尋到數據總結，並具有人機協作的設計，能根據LLM與人類審查者的意見調整PICOs標準。經過四組數據評估，系統在摘要篩選中表現優異，達到90%的敏感度和82的F1分數，顯示出與人類審查者的高一致性。這個AI輔助系統有潛力簡化SLR過程，降低時間和成本，並提升證據生成的準確性。 PubMed DOI

這項研究探討大型語言模型（LLMs）在系統性回顧中自動化摘要篩選的可行性。研究測試了六種LLMs，並在23篇Cochrane Library的系統性回顧中評估其分類準確性。初步結果顯示，LLMs在小型數據集上表現優於人類研究者，但在大型數據集上，由於類別不平衡，精確度下降。研究還發現，LLM與人類的結合能減少工作量並保持高敏感性，顯示自動化篩選可減輕研究者負擔。總體而言，LLMs有潛力提升系統性回顧的效率與質量，但仍需進一步驗證。 PubMed DOI

這項研究開發了 LARS-GPT 流程，利用多個大型語言模型協助系統性回顧和統合分析時的文獻篩選。實驗結果顯示，LARS-GPT 能在召回率超過 0.9 的情況下，減少超過 40% 的篩選工作量，證明 LLMs 能有效提升文獻篩選效率。 PubMed DOI

這篇研究回顧了LLM在自動化科學文獻回顧的應用，分析了172篇論文。多數專案用ChatGPT或GPT系列，特別在文獻搜尋和資料擷取上表現比BERT好。不過，實際上很少有論文註明用LLM協助。雖然LLM處理數值資料還有些限制，但未來很可能會大幅改變文獻回顧的流程。 PubMed DOI

這項研究比較 Rayyan 和自家開發的 LLM 系統在文獻篩選上的表現。Rayyan 最多可減少 62% 人工時間，但容易漏掉相關文獻或增加工作量。LLM 系統則透過進階技術，達到 99.5% 排除率、100% 陰性預測值，人工時間減少 95.5%，且完全保留相關文獻，效率和準確度都明顯勝過 Rayyan 和人工篩選。 PubMed DOI

這篇研究發現，大型語言模型（LLMs）能自動化文獻篩選和資訊擷取，顯著提升數位健康科技（DHTs）相關隨機對照試驗（RCTs）文獻回顧的效率。不過，DHT在實際醫療應用上還有待克服一些挑戰。 PubMed