這項研究探討了使用GPT-3.5語言模型，從MIMIC-III數據集中提取有關煙草、酒精和藥物使用的資訊，特別是病人出院摘要。研究強調了解行為因素對改善健康結果的重要性。雖然傳統自然語言處理方法面臨挑戰，但大型語言模型顯示出潛力。研究採用零樣本和少樣本學習技術，結果顯示零樣本學習在提取藥物使用提及方面有效，而少樣本學習則在評估使用狀態上表現更佳，雖然精確度有所下降。這強調了AI在電子健康紀錄中的應用潛力，有助於提升病人護理的個性化與有效性。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是Llama 2和GPT-4，在電子健康紀錄中檢測認知衰退的有效性。研究在麻省總醫院進行，分析輕度認知障礙患者的臨床筆記，並將LLMs與傳統模型比較。結果顯示，GPT-4的表現優於Llama 2，但仍不及傳統模型。集成模型的表現最佳，達到90.2%的精確度。錯誤分析顯示模型間的錯誤特徵不同，建議結合LLMs與傳統模型以提升診斷效果。該研究獲得美國國家老齡化研究所及國家醫學圖書館的資助。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是Llama-2，如何在電子健康紀錄（EHRs）中檢測精神科入院紀錄的自殺風險。研究人員評估了不同Llama-2模型在100份精神科報告上的表現，並與專家定義的真實情況進行比較。經過德國微調的Llama-2模型表現最佳，準確率達87.5%，敏感性83.0%，特異性91.8%。結果顯示，LLMs能有效提取自殺相關資訊，並保持數據隱私，顯示其在監測精神科緊急情況及增強自殺管理上的潛在應用價值。 PubMed DOI

這項研究探討開源大型語言模型（LLMs）在從電子健康紀錄（EHRs）中提取社會健康決定因素（SDoH）數據的效果。研究隨機選取200名患者，並由兩位審查者手動標記九個SDoH方面，達成93%的高一致性。結果顯示，LLMs的表現明顯優於基準模型，特別是在識別明確提及的SDoH方面。最佳模型openchat_3.5在所有SDoH方面的準確率最高。研究強調進一步精煉和專業訓練的潛力，以提升LLMs在臨床研究中的應用，最終改善醫療結果。 PubMed DOI

物質使用障礙（SUD）是影響個人健康與社會福祉的重要議題。診斷與治療SUD需考量多種因素，但現行的診斷系統如ICD-10常缺乏必要細節，醫師需依賴DSM-5補充資訊。傳統自然語言處理（NLP）在解讀臨床語言上有困難，但大型語言模型（LLMs）顯示出潛力。本研究探討如何利用LLMs從臨床筆記中提取SUD的嚴重程度資訊，實驗結果顯示開源LLM Flan-T5在召回率上優於傳統方法，能有效提升SUD患者的風險評估與治療規劃。 PubMed DOI

這篇研究針對電子病歷中難以提取健康社會決定因素（SDoH）問題，從四家醫院建立標註資料集，涵蓋21種SDoH，並用多種模型（包含大型語言模型）進行偵測。經過指令微調的LLMs表現最佳，F1值都很高，但模型跨醫院應用仍有困難。訓練好的模型已公開在GitHub。 PubMed DOI

這篇論文用大型語言模型產生了1.7萬則帶有不良藥物事件標註的合成推文，解決社群媒體上缺乏標註資料的問題。用這些資料預訓練的NER模型，在真實推文上表現更好，經人工標註資料微調後更創新高，證明合成資料能大幅提升ADE偵測效果，且資料集已公開。 PubMed DOI

在電子病歷中找出藥物不良事件（ADEs）很困難，因為相關資訊多藏在醫師的自由書寫紀錄裡。人工審查又很耗時，所以需要自動化工具。這項研究用大型語言模型來偵測ADEs，發現不到15%的出院紀錄會明確記載ADEs與藥物的關聯，顯示通報機制還有很大改進空間。 PubMed DOI

**重點摘要：** 這項研究測試了兩個大型語言模型（LLMs），用來從真實的臨床紀錄自動產生出院摘要，並用一個經過驗證的評分指標來評分他們的結果。兩個模型的表現差不多，顯示LLMs有潛力協助醫師準備出院摘要，進而減輕臨床醫師的行政工作負擔。 PubMed DOI

這項研究比較多種大型語言模型，發現經過微調的GatorTronGPT在從臨床紀錄中擷取鴉片類藥物過量和使用障礙的關鍵資訊上表現最佳。結果顯示，生成式LLM能有效協助擷取相關資訊，對後續研究和介入措施很有幫助。 PubMed