本文介绍了基于大型语言模型（LLMs）和历史数据的临床试验结果预测方法，旨在提高临床试验的准确性和可解释性。研究涵盖了CTRP、SPOT、TrialGPT等模型，展示了它们在不同阶段临床试验中的显著性能提升，并探讨了CT-ADE数据集在药物研发中的应用潜力。

仅仅依靠结果预测很少能够产生采取行动的最佳策略，需要结合对可行行动和潜在状态的了解，才能显著提高行动效用。