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 RAG technology applications in evidence-based medicine, How is RAG technology used in clinical research?, Benefits of utilizing RAG technology in medical evidence
執行時間 5.91293 秒
花費Token 143
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

Potential for GPT Technology to Optimize Future Clinical Decision-Making Using Retrieval-Augmented Generation.
潛在的 GPT 技術在未來臨床決策優化中利用檢索增強生成的可能性。 Ann Biomed Eng / / 2024-04-08

人工智慧在醫療保健領域發展迅速，尤其透過自然語言處理的 AI 聊天機器人，能模擬人類對話，幫助臨床醫生和患者溝通。機器人應用檢索增強生成技術，提供更具針對性和詳細的回應。整合臨床數據和權威醫學資料，AI 聊天機器人能提供更貼心的指導、快速的診斷和治療建議，進而改善患者結果。 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

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

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

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

RDmaster: A novel phenotype-oriented dialogue system supporting differential diagnosis of rare disease.
RDmaster：支援罕見疾病差異診斷的新型表現型導向對話系統。 Comput Biol Med / / 2024-02-08

這項研究開發了一個名為RDmaster的新電子工具，幫助臨床醫師更準確地診斷罕見疾病。RDmaster結合了貝葉斯方法和問答系統，在一項涉及238名罕見疾病患者的試驗中表現優異，提高了診斷準確性。這個工具可在線上使用，透過收集重要的臨床信息，提供了一種更有效的診斷罕見疾病的方式。 PubMed DOI

Retrieval Augmented Generation Enabled Generative Pre-Trained Transformer 4 (GPT-4) Performance for Clinical Trial Screening.
檢索增強生成啟用的生成預訓練變壓器 4 (GPT-4) 在臨床試驗篩選中的表現。 medRxiv / / 2024-02-27

研究測試了RECTIFIER新方法，結合語言模型和自然語言處理，提高臨床試驗受試者篩選效率。結果顯示RECTIFIER比手動篩選表現更好，尤其在心臟衰竭試驗中。這技術有潛力改善篩選流程，但需謹慎，確保最終由臨床醫師審查，以確保患者安全。 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

Integrating Retrieval-Augmented Generation with Large Language Models in Nephrology: Advancing Practical Applications.
在腎臟學中整合檢索增強生成與大型語言模型：推進實際應用。 Medicina (Kaunas) / / 2024-03-30

在醫療領域，使用大型語言模型（LLMs）是重要進步，有助於改善病患護理、研究和教育。雖然LLMs有不完美之處，但透過提示工程和檢索增強生成（RAG）等策略，可以提高準確性和相關性。尤其在臨床決策等需要全面資訊的任務中，RAG是相當有幫助的。一個以KDIGO 2023慢性腎臟病指南為基礎的ChatGPT模型整合了RAG，展現了提供準確醫療建議的潛力。 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

e-prescribing, charting and documentation for CRRT; a Green ICU and nephrology initiative.
CRRT 的電子處方、圖表和文檔；綠色重症監護病房與腎臟科的倡議。 Blood Purif / / 2024-09-19

病人照護資訊學的進步讓重症監護病房（ICU）朝向數位化和無紙化發展，尤其在處方和護理監測方面。面對COVID-19疫情，團隊設計了將持續性腎臟替代療法（CRRT）整合進Cerner軟體的計畫，創建即時儀表板，連結CRRT數據如液體平衡和藥物處方。這新系統調整了醫療人員的角色，初步評估顯示成效良好，提升了交接班和病例討論的數據存取。未來還有整合應用程式的潛力，成為其他CRRT使用者的範本。 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

Artificial intelligence to unlock real-world evidence in clinical oncology: A primer on recent advances.
人工智慧在臨床腫瘤學中解鎖真實世界證據：近期進展概要。 Cancer Med / / 2024-06-20

證據在癌症治療中至關重要，AI可協助收集和分析真實世界數據，提供更好的治療方案。然而，AI整合到臨床護理仍需克服計算、泛化、可解釋性和可靠性等挑戰。 PubMed DOI

Development of a Liver Disease-Specific Large Language Model Chat Interface using Retrieval Augmented Generation.
使用檢索增強生成技術開發肝病特定的大型語言模型聊天界面。 medRxiv / / 2024-03-18

LLMs在臨床上很強大，但商業化的LLMs可能有錯誤。檢索增強生成（RAG）可改善這問題。LiVersa是一個用RAG與AASLD指南創建的肝病LLM，對HBV和HCC表現良好，但有些回答不準確。研究顯示RAG可創建疾病特定LLMs，應用在臨床和個人化醫學。 PubMed DOI

Automated information extraction model enhancing traditional Chinese medicine RCT evidence extraction (Evi-BERT): algorithm development and validation.
增強傳統中醫隨機對照試驗證據提取的自動化信息提取模型 (Evi-BERT)：算法開發與驗證。 Front Artif Intell / / 2024-08-30

在循證醫學中，隨機對照試驗（RCTs）對臨床指導方針至關重要，但傳統的手動數據提取效率低。為了解決這個問題，我們開發了一個針對傳統中醫（TCM）RCT的自動化信息提取模型，使用Evi-BERT結合規則提取技術，從48,523篇研究中提取數據。我們的模型顯著提高了數據的可搜索性和提取效率，並保持高準確性，幫助醫師節省文獻審查時間，加速臨床試驗證據的識別，最終促進精確的臨床指導方針制定。 PubMed DOI

Electronic Collection of Patient-Reported Outcomes to Improve Kidney Care: Benefits, Drawbacks, and Next Steps.
電子收集病人報告結果以改善腎臟護理：優點、缺點及後續步驟。 Semin Nephrol / / 2024-08-20

全球腎臟服務越來越多地使用數位健康技術，特別是腎臟電子病人報告結果系統（ePRO）。這些系統讓腎病患者能即時以電子方式報告健康數據，改善與照護團隊的溝通。雖然ePRO系統在研究中表現良好，但在臨床應用上仍不確定。相較於傳統紙本方法，ePRO提高了效率和病人照護，但也可能加劇醫療不平等，增加工作人員負擔。為促進ePRO系統的發展，可透過國家腎臟登記系統、先進數據技術及各方利益相關者的參與來推動。 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

Building Trustworthy Generative Artificial Intelligence for Diabetes Care and Limb Preservation: A Medical Knowledge Extraction Case.
建立可信賴的生成式人工智慧，用於糖尿病護理和保肢：醫學知識提取案例。 J Diabetes Sci Technol / / 2024-05-20

研究團隊開發了RAG模型，針對八年級的糖尿病患者提供準確的醫學資訊，特別是有關糖尿病和糖尿病足的護理。透過人工智慧技術，經驗證後，問題回答的準確率高達98%，顯示了它在提供友善醫療資訊方面的潛力。這個模型可以成為糖尿病患者教育和自我管理的重要工具，凸顯了內容驗證和創新提示在人工智慧應用中的重要性。 PubMed DOI