本研究旨在探讨利用预训练的大型语言模型 (ChatGPT) 进行数据增强来识别电子病历中的关键因素，结果表明基于 ChatGPT 的数据增强对药物识别和药物事件分类任务的性能提高有益。

Jun, 2023

研究开发了自然语言处理（NLP）系统，用于从临床叙述中提取上下文药物信息，证明大型转换模型的优势。

Mar, 2023

本文介绍如何使用基于 BERT 的语言模型来检测药物处方信息中的异常情况，通过数据集中的真实医疗数据，训练模型以学习文本依赖模式，并基于上下文信息预测药物处方的错误输出，实验结果表明模型的准确率可达 96.63%。

Jan, 2022

探索了 MedTem 项目中利用深度学习和大型语言模型（LLM）进行医疗信息从 EMR 中提取和分类的效果，并对不同字嵌入技术进行了研究。在医疗实体识别任务中，CNN-BiLSTM 模型优于 BiLSTM-CRF 模型，分别达到了 75.67，77.83 和 78.17 的 Macro Average 精确度，召回率和 F1 分数。BERT-CNN 模型在 i2b2-2012 挑战的时间关系提取测试集上表现也较好，分别达到了 64.48，67.17 和 65.03 的 Macro Average P/R/F1 分数。

Oct, 2023

自动药物挖掘是当前热门话题，本文通过对预训练语言模型进行微调，研究了其在医疗临床实践中的应用，并比较了各模型的优缺点及对不同实体类型和临床事件的表现差异，这些发现有助于未来的研究和改进。

Aug, 2023

本研究基于问题回答（QA）方法和信息提取，尝试从医学对话中快速提取药物治疗方案（药品剂量和频率），使用数据扩充方法和预训练神经网络等技术提高模型精度，并取得远高于基准的性能。该研究提出了首个可自动从医学对话中提取药物治疗方案的系统，准确率达到了 71%。

Dec, 2019

通过医患对话数据集，使用基于 Transformer 的​TAScore 注意力评分函数与 Fusedmax 投影方法相结合，提高了自动抽取对话中药品用法及频率等信息的模型的最大公共子串 F1 值。

Oct, 2020

本文介绍了我们在 MEDIQA-Chat 2023 共享任务中对于从医生 - 患者对话自动生成临床笔记的提交。我们报道了两种方法的结果：第一种微调共享任务数据上的预训练语言模型（PLM），第二种使用大型语言模型（LLM）进行少量样本的上下文学习（ICL）。两种方法在自动指标（如 ROUGE，BERTScore）上均实现了高性能，并分别排名共享任务的二和一位。专业人士的审查表明，通过基于 ICL 的方法和 GPT-4 生成的笔记与人工书写的笔记一样受欢迎，这使其成为从医生 - 患者对话自动生成笔记的有前途的途径。

May, 2023

使用命名实体识别和链接工具（即 MedCAT）对电子病历的自由文本部分进行结构化和组织，从而预测出一系列的未来医疗事件（最初是疾病），MedGPT 有效地处理了噪声和额外细粒度， 并在 King's College Hospital 的真实世界医院数据上表现出色。

Jul, 2021

应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

Apr, 2024