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

通过使用人工智能的生成式大型语言模型，可以使其作为自主的循证医学的从业者，通过工具的使用与真实世界的医疗系统进行交互，并以符合指南的方式执行患者管理任务，这有可能通过进一步的改进来推动医疗的转型。

Jan, 2024

通过使用最佳可用证据赋予医疗决策和实践更好的质量，循证医学旨在改善医疗保健。然而，医学证据的快速增长来自不同的来源，这在收集、评估和综合证据信息方面带来了挑战。最近发展的生成 AI 模型，如大型语言模型，有望在简化艰巨任务方面发挥作用。然而，开发负责任、公平和包容的模型仍然是一项复杂的工作。在这个视角中，我们讨论了生成 AI 在自动摘要医学证据的情境中的可信度问题。

Nov, 2023

利用大型语言模型构建基于检索增强生成和创新研究的系统能为患者护理提供相关证据，提高医疗决策质量。

Jun, 2024

本研究探索使用精细调整的大型语言模型（LLMs）自动化系统性文献综述（SLRs），提出了将人工智能与学术研究方法相结合的重要和创新贡献。通过采用最新的精细调整方法和开源的 LLMs，我们展示了一种实用高效的自动化 SLR 过程的方法，包括知识综合的最终执行阶段。研究结果在 LLM 响应的事实准确性方面保持了很高的保真度，并通过对现有符合 PRISMA 的 SLR 的复制进行了验证。研究提出了减轻 LLM 虚幻感的解决方案，并提出了追踪 LLM 响应与信息来源的机制，从而证明了这种方法如何满足学术研究的严格需求。最终的发现证实了精细调整的 LLMs 在简化各种劳动密集型的文献综述过程方面的潜力。鉴于这种方法的潜力及其在所有研究领域的适用性，这项基础研究还呼吁更新 PRISMA 报告指南以整合 AI 驱动的过程，确保未来 SLRs 的方法透明性和可靠性。该研究拓宽了 AI 增强工具在各学术和研究领域的应用，为在日益增长的学术研究数量面前以更高效的方式进行全面准确的文献综述设立了新的标准。

Apr, 2024

通过结合临床领域特定知识图谱和大语言模型，在临床自然语言处理中提出了一种创新、资源高效的方法 ClinGen，通过临床知识提取和上下文信息化的大语言模型指导数据生成，持续提升性能，对生成训练实例的多样性和真实数据分布进行有效调整。

Nov, 2023

本研究介绍了一种利用 BERT 模型开发 AI 代理程序，结合人类团队设计全球发展证据综合产品的方法，探讨了活性学习策略的影响，结果表明，将 BERT-based AI 代理程序纳入人类团队可以降低人类筛选工作量 68.5％，而采用高优先级 (HP) 策略的活性学习方法可以进一步减少 78.3％。

May, 2023

利用生成模型生成的合成数据，本研究探讨了利用合成数据提高临床自然语言处理性能的方法。结果显示在这个高风险领域中有可行的应用前景。

Mar, 2024

TrialsSummarizer 是一个基于神经多文档摘要系统的自动摘要系统，它可以检索与查询指定的条件、干预和结果匹配的随机对照试验出版物，并对这些研究进行排名。它提供了两种体系结构：基于 BART 的标准序列到序列模型和旨在为最终用户提供更大透明度的多头体系结构。但是，这些模型都存在引入不受支持语句的倾向，不适用于当前领域。所提出的架构可以帮助用户验证输出，使用户能够将生成的令牌追溯到输入。

Mar, 2023

本文使用专业医学人士对 GPT-3 生成的医学文章摘要进行了评估，发现 GPT-3 虽然能够忠实地总结和简化单篇生物医学文章，但在多篇文章发现的证据综合方面存在困难。

May, 2023