Mar, 2023

基于 LLM 的患者 - 临床试验匹配：注重隐私的数据增强以实现更好的性能和普适性

PDF
TL;DR本研究旨在探讨利用大型语言模型 (LLMs) 解决现有医学研究中患者与合适临床试验配对方面所面临的挑战，提出了一个基于 LLMs 的隐私感知数据增强方法，以实现对敏感患者数据的保护与有效的匹配。实验证明，此方法平均性能提高了 7.32%，新数据的通用性提高了 12.12%，并通过案例研究深入说明了其有效性与原理。
clinical trialselectronic health recordslarge language modelsdata augmentationpatient-trial matching
发现论文，激发创造
  • PRISM: 利用大型语言模型进行语义临床试验匹配的患者病历解读

    利用实际世界的电子健康记录，我们进行了第一次端到端的大规模实证评估，展示了大型语言模型在准确匹配患者和适当临床试验方面的能力。

    Apr, 2024

  • 将大型语言模型凝聚用于将患者匹配到临床试验

    探究专有和开源大型语言模型在患者试验匹配任务中的有效性，并证明在有限和合成数据集上进行微调后，开源模型与专有模型性能相当，从而为它们在实际医疗应用中的部署提供了巨大机会。

    Dec, 2023

  • 零射机临床试验患者匹配与 LLMs

    利用大型语言模型加速临床试验操作，设计了一个基于零 - shot 方法的系统来评估患者是否符合试验纳入标准，并通过优化数据和成本效率以及提高解释性来改进该方法。

    Feb, 2024

  • 利用大型语言模型扩展临床试验配对：一个肿瘤学案例研究

    利用大型语言模型（LLMs）进行临床试验匹配在扩展规模中取得了积极的初步结果，特别在结构化患者信息和筛选患者 - 试验候选人方面起到了初步的解决方案作用。

    Aug, 2023

  • 利用大型语言模型为患者匹配临床试验

    研究使用大型语言模型（LLMs）协助患者和转诊医生从广泛的选择中筛选适合的临床试验，并评估了 TrialGPT 在 184 名患者和 18,238 个注释临床试验的实验结果，表明其高准确性和排名排除不合格候选试验的有效性。

    Jul, 2023

  • 利用大型语言模型协助医生改善临床试验的患者预筛选

    使用 InstructGPT 帮助医生根据患者的医疗概况确定临床试验的资格，通过组合一次性、选择推论和思考链技术，将 LLM 应用于 10 个合成患者概况，并有医生参与辅助判断，可实现 1.0 的召回率和 0.71 的精确率。

    Apr, 2023

  • 大型语言模型在临床文本匿名化中的潜力开发：一项比较研究

    自动化临床文本匿名化有潜力在保护患者隐私和安全的同时促进医疗数据的广泛共享，本论文提出了基于大型语言模型的新评估指标，并通过与基准技术的比较研究证明了大型语言模型在临床文本匿名化领域的可靠性，为可信的临床文本匿名化铺平了道路。

    May, 2024

  • 利用 LLMs 从电子病历中检索证据：可能性与挑战

    使用大型语言模型（Flan-T5 XXL）从非结构化电子健康记录（EHR）数据中检索和总结与特定查询相关的论据，较传统信息检索方法更受放射科医生欢迎，但面临 LLMs 产生虚构证据的挑战。然而，模型的信心可能指示 LLMs 是否存在虚构，为解决此问题提供了潜在方法。

    Sep, 2023

  • 隐私保护上下文引导增强小型医学学习者

    本文提出了一种简单而有效的方法，通过从医疗数据中提取关键词并模拟临床医生的思维过程，从而缓解患者隐私问题，增强小型语言模型在医学任务中的决策能力，最终在受隐私限制的情境下取得了新的结果，并在两个医学任务中达到了新的最高水平

    May, 2023

  • LLMs 加速医疗信息提取的注释

    使用大型语言模型（LLMs）结合人类专家的方法，快速生成医疗文本注释的地面真实标签，从而减少人工注释负担并保持高准确性，为医疗健康领域的定制自然语言处理（NLP）解决方案提供了潜力。

    Dec, 2023