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。
Mar, 2023
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
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（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
综述探讨了在医疗保健领域中应用大型语言模型 (LLMs) 的广泛应用和必要的评估，强调了充分利用这些模型提升医疗保健结果的能力的关键验证需求。
该文章介绍了使用GPT-4（一个大型语言模型）快速可行性研究来（半）自动化系统性综述中的数据提取，在设计和评估LLM-based自动化工具方面仍然存在欠缺的问题。
May, 2024
综述医疗大型自然语言模型（Med-LLM）的进化历史、技术、应用以及对医疗保健的影响，涵盖临床决策支持、报告生成、医学教育等方面，探索其潜力和限制，并讨论公平性、责任感、隐私保护和鲁棒性等挑战，展望未来的发展方向。
Jun, 2024
通过使用大型语言模型，我们展示了使用一个完整的流程将临床试验与病人进行匹配的高准确性，甚至超过了合格医生的表现。我们的流程可以自主运行或在人工监督下运行，并且不仅局限于肿瘤学，为改进实际场景中的患者-试验匹配问题提供了可扩展的解决方案。
Jul, 2024