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。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
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 …