Sep, 2024

利用大型语言模型生成临床试验表格和图表

HTML
PDF
TL;DR本研究解决了临床试验中生成表格、图表和列表（TFLs）这一耗时任务的问题。通过提示工程和少量训练学习，研究展示了大型语言模型（LLMs）在高效生成TFLs方面的潜力，并开发了临床试验TFL生成代理，该应用程序能根据用户查询匹配预定义提示，生成特定的TFL。该工作可显著提升临床试验数据报告的效率。
发现论文，激发创造
  • 利用大型语言模型为患者匹配临床试验

    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

  • 利用大型语言模型扩展临床试验配对：一个肿瘤学案例研究

    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

  • 零轉化臨床自然語言處理中大型語言模型的提示策略實證評估

    本文综合系统地对五个临床自然语言处理任务（临床意义消除、生物医学证据提取、共指消解、药物状态提取和药物属性提取）的提示工程进行了实验研究，评估了多种提示类型在三种先进的大型语言模型（GPT-3.5、BARD 和 LLAMA2）上的性能，并提出了对临床 NLP 领域提示工程的新见解和指南。

    Sep, 2023

  • 知识注入引导：基于大型语言模型的临床文本数据生成评估与推进

    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

  • 生成型大型语言模型是循证医学的自主实践者

    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

  • 零射机临床试验患者匹配与LLMs

    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

  • 从RAG到富裕：利用大型语言模型编写临床试验文件

    在临床试验中，通过使用具备内容相关性和正确术语使用的合理结果的现成大型语言模型（LLMs），然而存在于临床思维、逻辑和合适引用的不足，通过使用RAG（检索增强生成法）提升LLM的写作质量，从而提高了LLMs在临床试验相关文案中的实际可用性。

    Feb, 2024

  • CT-Agent: 临床试验多智能体基于大语言模型的推理

    一个整合了GPT-4、多智能体架构、从最少到最多过滤排序和反应推理技术的临床多智能体系统（CT-Agent），在临床试验任务中提高了大语言模型的性能，并引入了新的功能。

    Apr, 2024

  • 提高临床试验的患者招募效率：基于提示的学习模型应用

    应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用SNOMED CT本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

    Apr, 2024

  • 利用大型语言模型加速临床证据综合

    利用TrialMind等基于LLMs的人工智能模型，我们介绍了一种为进行医学系统评价而设计的生成型AI流水线。通过结合人类专家的监督，我们证明了TrialMind显著提高了文献综述的过程，并在从超过2000万篇PubMed文章中搜索研究、筛选研究和提取结果的过程中取得了优异的性能。结果还显示，与GPT-4基准相比，八位人类评估者更喜欢TrialMind，其有效率提升了临床研究的效率。

    Jun, 2024