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
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
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
使用零 - shot 大型语言模型～(LLMs) 进行自动筛选的效果研究显示，指导微调在筛选中发挥重要作用，校准使 LLMs 实现了有针对性的回收，并且将两者与零 - shot 模型集成结合，与最先进的方法相比节省了大量筛选时间。
Jan, 2024
通过结合医学领域知识，采用多层结构的提示方法实现零 / 少样本上下文学习，并探索用户与大型语言模型的两种交流方式对诊断准确性和风险因素的影响。结果表明，大型语言模型通过域知识和定制化沟通策略能够显著提高诊断流程的准确性。研究还强调了在大型语言模型应用中优化训练样本数量和交流方式以提高准确性并减少偏见的重要性。
May, 2024
大型语言模型在临床应用中的关键性挑战是对其进行有效的对齐，以实现准确生成具备事实内容和非平凡推理能力的响应。本研究提出了一种名为 “扩展 - 猜测 - 精化” 的医学问题回答的对齐策略，该策略通过采用指令调整和少样本以及连续思考等方法显著提高了大型语言模型的性能。初步分析表明，该方法在从 USMLE 数据集中选取的问题子集上达到了 70.63% 的优异表现。
Sep, 2023
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。