搜尋結果

使用者輸入 RAG技術應用於實證醫學 (時間範圍: all)
轉換句 Applications of RAG technology in evidence-based medicine, RAG technology in clinical research and evidence-based practice, Utilization of RAG technology for evidence-based medicine research
執行時間 7.27099 秒
花費Token 150
PubMed Retrieval with RAG Techniques.
使用 RAG 技術進行 PubMed 檢索。 Stud Health Technol Inform / / 2024-08-23

這項研究探討如何透過檢索增強生成（RAG）來提升從PubMed資料庫獲取醫療資訊的效果。研究將RAG與大型語言模型結合，旨在提高醫療專業人員獲得資訊的準確性和相關性。使用1,000個查詢的標記數據集進行評估，結果顯示在答案的相關性上有不錯的表現，但也指出在基礎性和上下文相關性方面仍需改進。 PubMed DOI

Using Retrieval-Augmented Generation to Capture Molecularly-Driven Treatment Relationships for Precision Oncology.
使用檢索增強生成技術捕捉分子驅動的精準腫瘤治療關係。 Stud Health Technol Inform / / 2024-08-23

現代的生成式人工智慧技術，如檢索增強生成（RAG），能顯著提升癌症治療的討論效果。專家通常需花費大量時間審查文獻以尋找證據和建議，但透過RAG流程，這個過程變得更簡單。該流程從可信來源（如OncoKB）檢索相關文本，並提供給大型語言模型（LLM），無需微調。研究顯示，透過向Llama 2模型提出簡單問題，能重現超過80%的治療關係，顯示出減少文獻審查勞動量的潛力，並提升討論效率。 PubMed DOI

Emergency Patient Triage Improvement through a Retrieval-Augmented Generation Enhanced Large-Scale Language Model.
透過檢索增強生成增強大規模語言模型，改善急診病人分類。 Prehosp Emerg Care / / 2024-07-01

研究目的是評估使用RAG和LLMs（如GPT模型）來改善急診分流流程，提升護理一致性。通過模擬情境測試，發現搭配RAG的GPT-3.5模型在分流準確性上表現優異，可達70%正確率，並將低分流率降至8%。整合這兩者可提高急診評估的精確性和一致性，但仍需在實際醫療環境中驗證。 PubMed DOI

Improving accuracy of GPT-3/4 results on biomedical data using a retrieval-augmented language model.
使用檢索增強語言模型提高 GPT-3/4 在生物醫學數據上的準確性。 PLOS Digit Health / / 2024-08-21

這項研究探討檢索增強生成（RAG）模型在回答擴散性大B細胞淋巴瘤（DLBCL）問題的效果，並與OpenAI的GPT-3.5、GPT-4及微軟的Prometheus進行比較。結果顯示，RAG模型在準確性和相關性上表現優於其他大型語言模型，且幻覺現象較少。雖然GPT-4和GPT-3.5在可讀性上較佳，但仍產生了許多不準確的資訊。研究強調了進一步探索不同模型架構及方法在專業領域的潛力。 PubMed DOI

Assessing Retrieval-Augmented Large Language Model Performance in Emergency Department ICD-10-CM Coding Compared to Human Coders.
評估檢索增強大型語言模型在急診部門 ICD-10-CM 編碼中的表現，與人類編碼員相比。 medRxiv / / 2024-11-01

這項研究探討增強檢索生成（RAG）的大型語言模型（LLMs）在急診科臨床紀錄中生成ICD-10-CM代碼的有效性，並與醫療提供者進行比較。研究基於Mount Sinai Health System的500次急診就診數據，發現RAG增強的LLMs在準確性和特異性上均優於醫療提供者，且GPT-4的表現尤為突出。即使是較小的模型如Llama-3.1-70B，經過RAG後也顯示出顯著提升。這顯示生成式人工智慧在改善醫療編碼準確性及減少行政負擔方面的潛力。 PubMed DOI

RWE ready for reimbursement? A round up of developments in real-world evidence relating to health technology assessment: part 16.
RWE準備好用於報銷了嗎？與健康技術評估相關的真實世界證據發展綜述：第16部分。 J Comp Eff Res / / 2024-07-05

這次更新涵蓋了美國FDA針對非干預性研究的研究設計提出的新指導，歐洲藥品管理局（EMA）和歐洲醫藥品質管理局（HMA）公開電子目錄的推出，關於在最終確定研究方案之前評估數據質量的建議，在真實世界證據研究中使用因果語言的框架，以及利用大型語言模型自動化健康經濟模型開發的應用。 PubMed DOI

Assessing Risk of Bias Using ChatGPT-4 and Cochrane ROB2 Tool.
使用ChatGPT-4和Cochrane ROB2工具評估偏倚風險。 Med Sci Educ / / 2024-06-18

在醫學研究中，系統性回顧至關重要但耗時費力。ChatGPT-4和自動化改變了這情況，加快了過程並提高了可靠性。ChatGPT-4是智能助手，可快速評估研究中的偏見風險，改變了這領域，潛在挽救生命。雖需人類監督，但ChatGPT-4和自動化助力下，循證醫學前景光明。 PubMed DOI

Optimizing Data Extraction: Harnessing RAG and LLMs for German Medical Documents.
優化數據提取：利用 RAG 和 LLMs 處理德國醫療文件。 Stud Health Technol Inform / / 2024-08-23

這項研究針對將非結構化醫療文本轉換為結構化格式的挑戰，提出了一個自動化的本地流程，確保使用開源大型語言模型（LLMs）時能維護數據隱私。研究針對包含敏感健康資訊的德語醫療文件進行測試，結果顯示在800份非結構化醫療報告中，數據提取的準確率高達90%，表現優於醫生和醫學生的手動提取。這顯示該流程能有效提升數據可用性，同時保障隱私。 PubMed DOI

Retrieval-Augmented Generation for Extracting CHA₂DS₂-VASc Risk Factors from Unstructured Clinical Notes in Patients with Atrial Fibrillation.
從心房顫動患者的非結構化臨床筆記中提取 CHA₂DS₂-VASc 風險因素的檢索增強生成。 medRxiv / / 2024-10-07

在評估心房顫動患者的中風風險時，抗凝治療的必要性至關重要。CHA₂DS₂-VASc 分數是常用工具，但傳統計算依賴醫生手動輸入或結構化數據。為了改善風險評估，研究開發了一種檢索增強生成（RAG）方法，從非結構化臨床筆記中提取風險因素。該方法結合 Llama3.1 語言模型，測試結果顯示在識別高血壓和糖尿病等風險因素上，RAG 模型的表現優於結構化數據。這有助於提升 CHA₂DS₂-VASc 分數，改善心房顫動患者的抗凝治療指導。 PubMed DOI

Biomedical knowledge graph-optimized prompt generation for large language models.
生物醫學知識圖譜優化的大型語言模型提示生成。 Bioinformatics / / 2024-09-17

基於知識圖譜的檢索增強生成（KG-RAG）框架，成功解決了大型語言模型在生物醫學等知識密集型領域的挑戰。透過SPOKE生物醫學知識圖譜，KG-RAG優化了標記使用，提升了Llama-2、GPT-3.5和GPT-4的表現。該框架有效降低標記消耗超過50%，同時保持準確性，顯著改善了對生物醫學提示的回應，並在基準數據集上提升表現，Llama-2在多選題上提高了71%。KG-RAG以具成本效益的方式結合知識圖譜與大型語言模型，讓通用模型更能應對特定領域查詢。SPOKE KG和KG-RAG的代碼已公開，並提供生物醫學基準數據集供研究使用。 PubMed DOI

Improving medical reasoning through retrieval and self-reflection with retrieval-augmented large language models.
透過檢索增強的大型語言模型提升醫學推理能力與自我反思。 Bioinformatics / / 2024-06-28

這篇論文介紹了Self-BioRAG，是專為生物醫學領域設計的框架，可生成解釋並檢索特定領域文件。透過在生物醫學指令集上的訓練，Self-BioRAG在醫學問答任務中表現比現有方法更好，顯示出明顯的進步。該框架結合了檢索增強生成和自我反思，提供精確且熟練的答案。Self-BioRAG強調了領域特定組件的重要性，可增進生物醫學和臨床領域的能力。該框架的數據、程式碼和模型權重可在https://github.com/dmis-lab/self-biorag 下載。 PubMed DOI

RDguru: A Conversational Intelligent Agent for Rare Diseases.
RDguru：一個針對罕見疾病的對話智能代理。 IEEE J Biomed Health Inform / / 2024-09-19

這項研究介紹了RDguru，一個先進的對話代理，專為協助臨床實踐及罕見疾病診斷而設。RDguru基於LangChain框架，並由GPT-3.5-turbo支援，提供基於證據的問答和醫療諮詢，幫助進行鑑別診斷。它結合了多種診斷策略，提升準確性。測試結果顯示，RDguru的診斷建議與實際診斷吻合率達63.87%，顯著優於以往方法。整體而言，RDguru被證實是一個可靠的工具，能改善罕見疾病的臨床決策。 PubMed DOI