应用大型语言模型（LLMs）从临床记录中提取各种药物使用障碍（SUD）诊断的严重性相关信息的研究，展示 LLMs 在提取严重性信息方面的优越性，有助于改善 SUD 患者的风险评估和治疗计划。

Mar, 2024

利用当代语言模型在序列到序列任务中的应用来增强心理健康研究，通过小型模型，可以准确高效地进行领域特定临床变量的数据标注和心理健康仪器的数据收集，并表现出比商业大型模型更好的性能。

Jun, 2024

该研究介绍了一个新的数据集 SDOH-NLI，基于公开可用的笔记，通过将社会和行为决定因素提取为自然语言推理任务，从而帮助健康护理提供者系统地识别提供适当护理和解决差异的机会。

Oct, 2023

该研究介绍了三种系统， 分别使用机器学习分类器、 大型语言模型和机器学习候选短语与手工规则相结合的方式， 达到识别临床叙述中社会健康影响因素 (SSOH) 的目的；三种方法在 NLP Challenge 中的 Subtask A 上获得 F1 分数分别为 0.884、 0.831 和 0.663， 结果表明每个方法在实际应用中都有优点和缺点， 其选择不仅取决于 F1 分数， 还取决于应用的要求。

Jan, 2023

研究使用自然语言处理探究社会因素对癌症治疗选择的影响，发现社会工作者的记录在预测靶向治疗中起着重要作用，并发现许多与临床决策 - making 有关的健康社会决定因素可能会对治疗差异造成贡献。

Jun, 2023

本研究使用大型语言模型从电子健康记录中提取社会健康决定因素（SDoH），并研究了合成临床文本对提取这些临床数据的改进作用。最佳模型是经过微调的 Flan-T5 XL（宏 F1 值为 0.71）任何 SDoH 和 Flan-T5 XXL（宏 F1 值为 0.70）。这些模型优于 ChatGPT 系列模型在任务中的零样本和少样本性能，并且对种族 / 民族和性别描述词的预测不太可能改变，表明较少的算法偏见（p<0.05）。在患者层面上，我们的模型识别出 93.8% 存在不良 SDoH 的患者，而 ICD-10 代码只能覆盖 2.0%。我们的方法能有效地从临床记录中提取 SDoH 信息，相对于 GPT 的零样本和少样本设置更加优秀。这些模型可以增强关于 SDoH 的现实世界证据，并帮助识别需要社会支持的患者。

Aug, 2023

本文介绍了 n2c2/UW SDOH 挑战的共享任务、数据、参与团队、性能结果以及未来工作的考虑，并探讨了使用自然语言处理技术和预训练的语言模型提取 SDOH 和临床信息的前景。

Jan, 2023

本研究通过使用 RACER，一种基于大型语言模型的专业指导自动化流程，有效地将原始访谈记录转化为有洞察力的领域相关主题和子主题。这项研究强调了使用大型语言模型提高研究效率的机遇和挑战，为医疗保健研究中可扩展的 SSIs 分析开辟了新的途径。

Feb, 2024

传统的心理健康分析方法在能力上较强，但缺乏解释性和大量的标注数据。相比之下，基于大型语言模型的生成方法具有消除繁重注释和提供解释的潜力。然而，它们的能力仍然不及判别方法，并且由于解释的生成是黑盒过程，可能不可靠。受到使用量表评估精神状态的心理评估实践的启发，我们的方法通过大型语言模型融入两个过程。首先，患者完成心理健康问卷，然后心理学家解释心理问卷中收集到的信息并作出知情决策。实验结果表明，我们的方法胜过其他零样本方法。我们的方法可以基于心理问卷的输出生成更严谨的解释。

Feb, 2024

该研究引入了最先进的自然语言处理技术（具体为掩蔽语言建模预训练）和伪标记的方法，以应对临床病历评估的挑战，提高效率和性能，并改变临床病历评估的潜力。

Jan, 2024