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

生成式人工智慧，特別是透過變壓器技術，正在改變人工智慧的應用方式。最近的實驗中，使用「SOLAR-10.7B-Instruct」模型從全國退伍軍人的多導睡眠檢查筆記中提取關鍵睡眠參數，如總睡眠時間、入睡潛伏期和睡眠效率。結果顯示，該模型在總睡眠時間和睡眠效率的準確度上與人類標註相當，且在提取入睡潛伏期方面超越人類標註7.6%。此外，模型的幻覺現象極少，展現出優秀的推理能力。 PubMed DOI

睡眠呼吸障礙（SDB），特別是阻塞性睡眠呼吸暫停症（OSA），因氣道阻塞影響健康，及早介入非常重要。本研究利用機器學習（ML）和大型語言模型（LLM），透過電子健康紀錄（EHR）來識別SDB。提出的DSS-LLM框架結合動態海鷗搜尋演算法與LLM，使用臨床數據進行特徵提取和預處理，最終達到98.91%的分類準確率，顯示出其在臨床篩檢中的潛力，期望能改善耳鼻喉科的決策與病人結果。 PubMed DOI

目前用醫療理賠資料來判斷阿茲海默症和相關失智症，其實準確度不太理想。這篇研究用AI文字分類模型（像深度學習和大型語言模型）來分析電子病歷，結果發現Llama 2這種LLM模型表現最好，準確度明顯贏過傳統方法（AUC 0.95比0.85）。其他AI模型也比傳統方法優。這顯示用AI分析病歷有助於更準確找出ADRD病人，但還需要更多資料驗證。 PubMed DOI

這項研究用30個虛構案例發現，ChatGPT在建議生活型態改變上，跟睡眠專科醫師很接近，但比較容易建議多做醫療檢查。雖然是模擬資料，結果顯示LLM有潛力協助辨識睡眠健康風險並支援臨床，但還需要用真實資料再研究。 PubMed DOI

這項研究開發了一套用大型語言模型自動從電子病歷中萃取多重慢性病患者資料的系統，在中國1,225位患者資料測試下，簡單特徵準確度高達99.6%，複雜特徵也有94.4%。這方法大幅提升效率與可靠性，減少人工處理，但資訊格式標準化仍是挑戰，且系統具高度彈性，適合各種研究或政策需求。 PubMed DOI

SleepBert 是新一代 AI 模型，結合睡眠檢查數據和臨床紀錄，提升睡眠障礙診斷的準確率。它經過微調並加入即時醫學證據檢索，不只比現有模型更快更準，也幫助醫師有效分析複雜數據，找出罕見睡眠障礙的線索。 PubMed DOI

這篇研究比較GPT-4大型語言模型、深度學習和機器學習三種方法在電子病歷症狀標準化上的表現。結果發現，GPT-4表現最好，顯示大型語言模型很有潛力成為未來醫師筆記自動化分析的主流工具，有助於推動精準醫療發展。 PubMed

**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

研究團隊開發了一套經微調的大型語言模型，能自動從電子病歷的臨床紀錄中擷取阿茲海默症及相關失智症的7大症狀，準確度（AUROC）高達0.97-0.99，優於傳統方法。這些症狀不僅能預測失智症診斷，還和腦部MRI結果有關，有助提升診斷準確率並推動相關研究。 PubMed DOI