Using large language model to guide patients to create efficient and comprehensive clinical care message.
使用大型語言模型指導患者創建高效且全面的臨床護理訊息。 J Am Med Inform Assoc 2024-06-25

研究使用大型語言模型幫助病人提出問題，提升溝通效率。以范德堡大學醫學中心數據測試三個模型，CLAIR在清晰度、完整性和簡潔性表現最佳。GPT4在效用和完整性較高，但清晰度和簡潔性較差。CLAIR生成的問題與醫療者相符，有助改善溝通。 PubMed DOI

A pilot feasibility study comparing large language models in extracting key information from ICU patient text records from an Irish population.
一項針對愛爾蘭人群 ICU 患者文本記錄中提取關鍵信息的大型語言模型比較的初步可行性研究。 Intensive Care Med Exp 2024-08-15

這項研究探討大型語言模型（LLMs）在生成重症監護病房（ICU）病人出院摘要的表現，分析了匿名臨床筆記。三個模型中，GPT-4 API的表現最佳，準確識別41.5%的關鍵臨床事件，ChatGPT和Llama 2則分別為19.2%和16.5%。雖然GPT-4在資訊組織和清晰度上表現優異，但仍有小錯誤，且所有模型在敘事連貫性和重要數據的捕捉上存在挑戰。總體來看，這些LLM在生成出院摘要上有潛力，但仍需改進。 PubMed DOI

Exploring the opportunities of large language models for summarizing palliative care consultations: A pilot comparative study.
探索大型語言模型在緩和醫療諮詢摘要中的機會：一項初步比較研究。 Digit Health 2024-11-21

最近的研究顯示大型語言模型（LLMs）在自然語言處理，特別是遠程醫療中有很大潛力。研究比較了GPT-3.5、GPT-4和LLaMA 2在醫療諮詢摘要的表現。結果顯示，LLaMA2-7B在n-gram精確度上表現最佳，而GPT-4在語義準確性和可讀性上優於其他模型。所有模型在總結能力上相似，但GPT-4在內容理解和結構上稍有優勢，顯示其生成病人友好摘要的潛力。研究也探討了使用LLMs的潛在風險與限制。 PubMed DOI

Large language models to identify advance care planning in patients with advanced cancer.
大型語言模型在晚期癌症患者中識別預立醫療計劃。 J Pain Symptom Manage 2024-11-25

這項研究評估大型語言模型（LLMs）在識別晚期癌症患者的預立醫療計畫（ACP）文件的有效性。研究在達納法伯癌症中心進行，將LLM的表現與傳統手動查閱和自然語言處理（NLP）方法比較。使用GPT-4，研究聚焦於護理目標、生命延續治療限制及安寧緩和醫療等關鍵領域。結果顯示LLM在敏感性和特異性上表現良好，整體準確率介於0.81到0.91之間，特別在複雜主題上優於NLP。雖然精確度略低，但LLM的假陽性對臨床管理仍具相關性，建議進一步研究以增強此方法。 PubMed DOI

Feasibility Study for Using Large Language Models to Identify Goals-of-Care Documentation at Scale in Patients With Advanced Cancer.
大型語言模型在晚期癌症患者中大規模識別照護目標文件的可行性研究。 JCO Oncol Pract 2025-04-10

這項研究利用大型語言模型（LLM）來識別電子健康紀錄中的照護目標對話，並評估其總結能力。針對2024年4月至6月的晚期癌症患者，使用符合HIPAA的GPT-4o版本。研究發現，LLM標記約40%的臨床筆記為照護目標文檔，並確認128名患者有相關對話。幻覺指數低，顯示LLM輸出與原始紀錄相符，且能在每位患者不到2分鐘內產生準確摘要。結果顯示LLM在識別和總結GOC討論方面具有效能，未來在臨床應用中具潛力。 PubMed DOI

Large language models in critical care.
重症醫療中的大型語言模型 J Intensive Med 2025-04-17

大型語言模型像 ChatGPT 正在改變重症醫學，能自動化病歷、協助決策、個人化溝通，還能整理非結構化資料。不過，目前還有資訊正確性、倫理和醫師AI素養等挑戰。結合傳統機器學習可降低風險，導入時要謹慎並加強醫師訓練，才能提升照護品質。 PubMed DOI

Zero-shot learning for clinical phenotyping: Comparing LLMs and rule-based methods.
臨床表型判別的零樣本學習：比較大型語言模型（LLMs）與規則式方法 Comput Biol Med 2025-04-24

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

Zero-shot large language model application for surgical site infection auditing.
零樣本大型語言模型於手術部位感染稽核的應用 Infect Dis Health 2025-05-22

這項研究用 Llama 3.0 大型語言模型分析兩家醫院的病歷，來偵測手術部位感染。28位病人中，LLM準確率達93%，敏感度100%，特異度86%。模型多半能和醫師一樣早，甚至更早發現感染。結果顯示 LLM 有潛力協助醫療篩檢，但臨床應用前還需更多研究驗證。 PubMed DOI

Large language model discharge summary preparation using real-world electronic medical record data shows promise.
使用真實世界電子病歷資料進行大型語言模型出院摘要撰寫展現潛力 Intern Med J 2025-05-28

**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

Verifiable Summarization of Electronic Health Records Using Large Language Models to Support Chart Review.
使用大型語言模型驗證性摘要電子健康紀錄以支援病歷審查 medRxiv 2025-06-12

這項研究發現，用大型語言模型自動產生心臟衰竭住院摘要，能幫助部分醫師更快回答問題，且準確率沒變。大多數醫師認為這樣能省時間，也願意使用，但摘要格式要配合個人需求。整體來說，LLM有助提升醫師效率，但摘要內容還需客製化。 PubMed DOI

原始文章

站上相關主題文章列表