Chúng tôi trình bày một khuôn khổ mới cho mô hình hóa Bayesian phân cấp các biến cố bất lợi trong các thử nghiệm lâm sàng đa trung tâm, tận dụng các mô hình ngôn ngữ quy mô lớn (LLM). Không giống như các phương pháp tăng cường dữ liệu tạo ra các điểm dữ liệu tổng hợp, nghiên cứu này rút ra các phân phối tiên nghiệm tham số trực tiếp từ mô hình. Sử dụng các LLM được đào tạo trước, chúng tôi rút ra một cách có hệ thống các phân phối tiên nghiệm có thông tin cho các siêu tham số của mô hình Bayesian phân cấp, kết hợp trực tiếp chuyên môn lâm sàng bên ngoài vào mô hình an toàn Bayesian. Các phân tích độ nhạy nhiệt độ toàn diện và kiểm chứng chéo nghiêm ngặt trên dữ liệu thử nghiệm lâm sàng thực tế chứng minh rằng các phân phối tiên nghiệm thu được từ LLM luôn cải thiện hiệu suất dự đoán so với các phương pháp phân tích tổng hợp hiện có. Phương pháp này mở đường cho việc thiết kế thử nghiệm lâm sàng hiệu quả hơn và dựa trên thông tin chuyên môn, giảm đáng kể số lượng bệnh nhân cần thiết để đạt được các đánh giá an toàn mạnh mẽ và có khả năng chuyển đổi việc giám sát an toàn thuốc và ra quyết định quản lý.
