本文提出了一种名为MedM-PLM的医学多模态预训练语言模型，能够增强电子健康记录的表示能力，探索结构化和非结构化数据之间的相互作用，用于药物推荐、30天再入院预测和ICD编码等三项临床任务，显示出比其他现有方法更好的性能和更全面的解释能力。

Jan, 2022

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

该研究回顾了现代自然语言处理模型的关键技术创新，并介绍了在放射肿瘤学研究中使用大型语言模型的最新应用，同时提出了一种全面的框架来评估NLP模型以便在临床应用前进行严格的评估和验证。

Nov, 2023

针对结构化长期电子健康记录 (EHR) 数据与大型语言模型 (LLMs) 集成时的固有复杂性，本研究调查了像 GPT-4 这样的LLMs 对 EHR 数据的适应性。特别关注其零样本能力，使其能够在并未明确训练的情况下进行预测。通过考虑特定的EHR特征(如单位和参考范围)，采用与临床环境相一致的上下文学习策略，我们的寻求方法能够应对 EHR 数据的纵向、稀疏和知识注入的特性。通过对 MIMIC-IV 和 TJH 数据集进行综合实验，证明了我们精心设计的提示框架下，LLMs在关键任务(如死亡率、住院天数和30天再入院率)的预测性能可以提高约35％，在少样本情景中超越了机器学习模型。我们的研究强调了LLMs在提高临床决策能力方面的潜力，尤其是在没有标签数据的紧急医疗情况下，如新发疾病的爆发。可通过此 https URL 获得代码，以便能重现研究结果。

Jan, 2024

术后风险预测对于有效的围手术期护理管理和规划具有重要意义。本研究旨在评估临床大型语言模型（LLMs）是否能够使用各种训练策略对临床文本进行术后风险预测。使用Barnes Jewish Hospital（BJH）系统2018年至2021年的84,875份记录进行主要队列研究，Beth Israel Deaconess的MIMIC数据集上再现了方法。预训练的LLMs优于传统的词嵌入，临床LLMs的进一步调整改进了性能，表明基础模型具有潜在的任务无关学习峰值，对于围手术期护理中LLMs的泛化具有潜力。

Feb, 2024

通过使用开源临床大型语言模型（LLMs）和基于BERT的模型进行细化调整，本研究证明在没有标记训练数据的情况下，可以从真实世界的病理报告中提取病理肿瘤-淋巴结-转移（pTNM）分期信息。研究发现LLMs在肿瘤（T）分类方面仍然表现不佳，但通过适当的提示策略，它们可以达到与转移（M）分类相当的性能，并在淋巴结（N）分类方面表现出更好的性能。

Apr, 2024

本研究旨在调查利用GPT3.5-turbo（GPT3.5）进行放射学报告的TNM分级的准确性及多语种LLMs在日语和英语中的实用性。通过分析多语言TNM定义对准确性的影响，研究表明提供完整的TNM定义可明显提高放射学报告的分类准确性，且多语种LLMs在放射学领域具有潜在应用价值。

Jun, 2024

本研究解决了大型语言模型（LLMs）在处理结构化电子健康记录和非结构化临床笔记时的有效性问题。通过基准测试不同模型，发现LLMs在结构化数据上的零-shot预测能力较强，但在非结构化文本任务中，微调的BERT模型表现更优。这一发现强调了根据任务要求和数据特征选择合适模型的重要性，以优化NLP技术在医疗领域的应用。

Jul, 2024

本研究解决了传统放疗生存预测模型因依赖结构化数据而缺乏准确性的问题。通过使用大型语言模型对非结构化电子健康记录进行构建，研究发现该方法显著提高了生存预测的准确性，模型的C-index从0.737提高到0.820，展现了更好的可解释性和临床相关性。

Aug, 2024

本研究针对在医疗场景中，如何有效集成表格数值数据与大型语言模型（LLM）进行探讨，填补了该领域的研究空白。通过比较LLM的最后隐藏状态生成的向量表示和原始数值电子健康记录数据在传统机器学习算法中的表现，发现尽管原始数据仍具优势，LLM嵌入在医疗预测任务中同样具备竞争力，指向了未来研究的新方向。

Aug, 2024