PulseAugur
中
实时 00:39:52
English(EN) Retrieval-Augmented LLMs for Evidence Localization in Clinical Trial Recruitment from Longitudinal EHR Narratives

检索增强型大语言模型通过在电子健康记录中定位证据来改善临床试验招募

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员探索了使用检索增强型大语言模型（LLMs）从电子健康记录中识别适合临床试验的患者。该研究评估了包括通用版本和医学适应版本在内的各种LLMs，并测试了处理长文档的策略，例如默认上下文窗口、基于NER的摘要和动态证据检索（RAG）。MedGemma模型结合RAG实现了最高性能，证明了LLMs在提高试验招募效率方面的潜力，特别是对于需要长期推理的标准。 AI

影响 展示了LLMs通过改善患者记录中的证据定位来简化临床试验招募的潜力。

排序理由 学术论文，详细介绍了LLMs和检索增强技术在特定问题领域的新颖应用。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

检索增强型大语言模型通过在电子健康记录中定位证据来改善临床试验招募

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Ziyi Chen, Mengxian Lyu, Cheng Peng, Yonghui Wu ·

    用于纵向电子健康记录叙述中临床试验招募证据定位的检索增强大型语言模型

    arXiv:2604.05190v2 Announce Type: replace Abstract: Screening patients for enrollment is a well-known, labor-intensive bottleneck that leads to under-enrollment and, ultimately, trial failures. Recent breakthroughs in large language models (LLMs) offer a promising opportunity to …

相关实体

相关话题