一週內新進文章 / 共 240 篇 / 第 11 頁
點選可選分類: LLM 腎臟科 一般醫學 SGLT2i GLP1

這項研究系統性回顧了GLP-1受體激動劑(GLP-1RA)對人類物質使用障礙(SUD)的影響。研究人員從MEDLINE、Scopus和Cochrane Library等資料庫中篩選出1218項初步研究,最終只有5項符合標準,涉及630名接受Exenatide和Dulaglutide治療的參與者。結果顯示,GLP-1RA對SUD有顯著療效,特別是對酒精和尼古丁的成癮。此外,參與者的體重、BMI和HbA1c也有改善,顯示GLP-1RA可能成為成癮醫學的新選擇。 相關文章 PubMed DOI

基於知識圖譜的檢索增強生成(KG-RAG)框架,成功解決了大型語言模型在生物醫學等知識密集型領域的挑戰。透過SPOKE生物醫學知識圖譜,KG-RAG優化了標記使用,提升了Llama-2、GPT-3.5和GPT-4的表現。該框架有效降低標記消耗超過50%,同時保持準確性,顯著改善了對生物醫學提示的回應,並在基準數據集上提升表現,Llama-2在多選題上提高了71%。KG-RAG以具成本效益的方式結合知識圖譜與大型語言模型,讓通用模型更能應對特定領域查詢。SPOKE KG和KG-RAG的代碼已公開,並提供生物醫學基準數據集供研究使用。 相關文章 PubMed DOI

這項研究探討植物性肉類替代品對健康的影響,特別是腎臟健康。研究假設植物性肉類能降低飲食酸負荷,並增加磷和氮的攝取。透過八週的隨機交叉試驗,36名健康志願者的尿液和血清標記被測量。結果顯示,採用植物性肉類飲食的參與者,其尿液中的有害物質濃度較低,且血清肌酸酐水平也較低,顯示植物性飲食可能對腎臟健康有益,值得進一步研究其對腎臟疾病患者的影響。 相關文章 PubMed DOI

持續的研究正在評估大型語言模型(LLMs)在內科考試中的表現,特別是針對美國內科醫學會的240道考題。研究比較了GPT-3.5、GPT-4.0、LaMDA和Llama 2等模型的表現,並使用檢索增強生成的方法進行測試。結果顯示,GPT-4.0的得分介於77.5%到80.7%之間,優於其他模型及人類受試者,尤其在傳染病和風濕病方面表現突出。使用特定領域資訊能顯著提高準確性,顯示這種方法在醫學領域的潛力。 相關文章 PubMed DOI

全球肥胖率上升與心血管疾病死亡率增加息息相關。肥胖引起的慢性低度炎症會損害血管健康,導致內皮功能障礙。這主要是因為脂肪組織的炎症、氮氧化物可用性降低及胰島素抵抗等因素。利拉魯肽等藥物顯示出改善血管功能的潛力,而針對腎素-血管緊張素-醛固酮系統的治療也有助於減輕這些問題。針對肥胖相關糖尿病的治療需同時解決炎症與內皮功能障礙,GLP-1受體激動劑及減重手術可改善心代謝結果。 相關文章 PubMed DOI

蛋白激酶與蛋白磷酸酶的相互作用對生理反應非常重要,尤其在肥胖和胰島素信號傳遞中。肥胖會損害胰島素信號,主要因為κB激酶β和JNK等途徑被激活,這些途徑受到氧化壓力和內質網壓力影響。藥物如硝苯地平和二甲雙胍被研究用來改善胰島素抵抗。利拉魯肽等GLP-1類似物能減輕氧化壓力,並與其他藥物聯合使用可減少甘油三酯積累,顯示出肥胖與代謝健康之間的複雜關係。 相關文章 PubMed DOI

脂肪酸的毒性與人體健康的關係仍在研究中。最近的研究將人類血漿中的游離脂肪酸分為兩類:一類與毒性有關,另一類則可能影響遺傳風險。肥胖時,脂肪細胞無法有效儲存過多脂質,導致血液中脂肪酸升高,進而引發脂肪毒性,造成慢性發炎和器官功能障礙。針對脂質代謝的酶進行治療可能有助於改善這種情況。此外,透過熱量限制、運動及藥物干預等方法,也能減輕脂肪毒性。 相關文章 PubMed DOI

肥胖已成為全球健康的重大議題,影響成人與兒童,並在過去四十年演變成流行病。肥胖的成因複雜,涉及生物、遺傳、環境和行為等因素。大多數肥胖者屬於代謝不健康的肥胖(MUO),面臨心血管疾病和代謝症候群的風險。相對的,代謝健康的肥胖(MHO)雖然風險較低,但隨時間也可能轉變為MUO。若生活方式改變無效,可能需考慮減重手術或藥物治療,如SGLT2抑制劑和GLP-1受體激動劑。持續監測相關疾病至關重要。 相關文章 PubMed DOI

這項研究評估了具視覺功能的GPT-4V在眼科診斷玻璃體視網膜疾病的表現。研究在巴斯科姆·帕爾默眼科診所進行,分析了2010年至2023年的病人數據。結果顯示,GPT-4V在開放式問題中的診斷準確率為13.7%,而多選題為31.3%。該模型能準確識別後玻璃體脫離等病症,但在開放式問題的有效性有限,顯示出提供複雜醫療建議的挑戰。總體而言,GPT-4V在臨床護理中仍有潛力。 相關文章 PubMed DOI

這項研究開發了一個大型語言模型(LLM),能根據影像生成放射學印象,並評估其專業及語言表現。研究在上海總醫院進行,六位放射科醫生使用該模型並進行修正。LLM在20 GB醫學及一般文本數據上預訓練,並用1.5 GB數據微調,包含800份放射學報告。結果顯示,LLM的中位召回率為0.775,精確度0.84,F1分數0.772,表現良好。專家對其印象評價高,顯示其在放射學檢查中具專業性。 相關文章 PubMed DOI