這項研究探討結合檢索增強生成（RAG）模型與大型語言模型（LLM），以提升國際詞彙中藥物名稱對應的準確性。研究過程中，將藥物成分名稱翻譯成英文，並使用日本藥品名稱，從OHDSI標準詞彙中提取藥物概念。結果顯示，LLM + RAG的組合表現顯著優於傳統方法，命中率超過90%，而基準僅64%。此外，r-precision指標也從23%提升至41%至50%。整體而言，RAG與LLM的整合提供了更有效的全球藥物資訊對應方法。 PubMed DOI

這項研究探討大型語言模型（LLM）LLaMA 2 在臨床護理的應用，特別是解釋複雜的護理路徑模型。傳統的診斷系統繁瑣且需頻繁更新。研究人員訓練 LLaMA 2，並測試其根據假設病人案例提供臨床建議的能力。結果顯示，LLaMA 2 在檢索診斷和建議管理步驟方面準確率高，平均節點準確率為 0.91，邊緣準確率為 0.92，顯示其在醫療資訊檢索上的潛力。未來研究應著重於提升 LLM 的可解釋性及與臨床流程的整合。 PubMed DOI

這項研究探討大型語言模型（LLMs）在分析線上護理論壇專家文本的應用，目的是提升主題分析的效率。研究過程包括數據收集、主題建模、人為分類及LLMs的主題詮釋。結果顯示，人為詮釋與LLMs生成的詮釋有80%的相似度，且在三分之二的主題上達成共識。LLMs能識別子主題並提供額外見解，增強分析深度，但在質性研究中整合這些模型仍需謹慎。總體而言，LLMs在自動化質性數據詮釋方面展現潛力。 PubMed DOI

將臨床數據整合成OMOP標準格式對數據共享和分析至關重要，但過程複雜且耗時。為解決這一問題，開發了一個友好的自動化工具，利用大型語言模型來轉換臨床試驗數據和電子健康紀錄。該工具採用三層語義匹配系統，並在驗證中展現出高準確性，精確度達0.92至0.99，召回率達0.88至0.97。這使得小型研究團隊能更輕鬆參與數據共享，對加速臨床研究數據標準化具有重要意義。 PubMed DOI

這項研究推出 CDEMapper 工具，結合語意搜尋和大型語言模型，協助把本地資料對應到 NIH 的標準資料元素。CDEMapper 不只提升對應準確率，也讓操作更方便，有助於資料互通和重複利用。評估結果顯示，這工具比傳統人工方法更有效率，展現 LLM 在資料對應上的優勢。 PubMed DOI

這篇論文提出用大型語言模型（像 GPT-4o）自動化醫療術語對應 SNOMED CT 等本體，建立 RDF 知識圖譜。研究比較六種系統，發現 GPT-4o 等現代 LLMs 在準確度和語意理解上都比傳統方法好很多，能大幅提升醫療知識圖譜的準確性和資料整合效率。 PubMed DOI

這項研究開發了一套半自動化流程，把兩家醫院的電子健康紀錄（EHR）flowsheet欄位，對應到標準護理概念（CCC）。方法結合精確、詞彙和語意（含大型語言模型）比對，成功對齊數萬筆資料。前三個推薦標準概念的對齊成功率超過96%，大幅提升EHR資料標準化效率，也減少人工對應的負擔。 PubMed DOI

這項研究比較了多種大型語言模型（LLM）方法，把電子病歷的非結構化醫療文本標準化成臨床術語。結果發現，檢索增強生成（RAGnorm）方法表現最穩定、準確度最高，即使沒訓練資料也很有效。這類檢索型LLM在生醫文本標準化上很有潛力，值得持續發展與應用。 PubMed DOI

這項研究利用大型語言模型（LLMs）把電子健康紀錄（EHR）結構化資料轉成自然語言，並應用在疾病預測。LLMs分別扮演「預測者」和「評論者」兩種角色，負責預測結果和給予改進建議。結果顯示，在樣本數少的情況下，這種方法的預測表現不輸傳統監督式學習，對醫療應用很有發展潛力。 PubMed

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