這篇論文探討基於變壓器的大型語言模型（LLMs）在生成合成表格健康數據的有效性，並與生成對抗網絡（GANs）進行比較，這對遵循隱私法規的醫療研究非常重要。研究分析了Pythia LLM Scaling Suite，模型參數從1400萬到10億，結果顯示較大的LLM在性能上優於GAN，甚至最小的LLM也能達到相似效果。此外，訓練數據集大小與模型性能呈正相關。論文還討論了在醫療領域實施LLM的挑戰與考量。 相關文章 PubMed DOI ♡

這項研究針對將非結構化醫療文本轉換為結構化格式的挑戰，提出了一個自動化的本地流程，確保使用開源大型語言模型（LLMs）時能維護數據隱私。研究針對包含敏感健康資訊的德語醫療文件進行測試，結果顯示在800份非結構化醫療報告中，數據提取的準確率高達90%，表現優於醫生和醫學生的手動提取。這顯示該流程能有效提升數據可用性，同時保障隱私。 相關文章 PubMed DOI ♡

在醫學研究和醫療保健快速變化的環境中，龐大的科學文獻既帶來機會，也帶來挑戰。研究人員和醫生需在大量非結構化數據中尋找能推動生物醫學進展的見解。本文探討主題提取演算法在乳腺癌研究中的應用，揭示當前趨勢與未來方向。我們使用TripleA工具，透過TextRank和大型語言模型（LLM）提取相關主題，並對兩種方法的結果進行深入分析與比較。 相關文章 PubMed DOI ♡

這項研究開發了一個生成式人工智慧（GenAI）助手，目的是改善高血壓的遠端病人監測。透過對醫生和病人需求的深入分析，我們找出了管理數據和促進病人參與的主要挑戰。這個GenAI助手包括針對病人的聊天機器人、為醫生提供的智能摘要，以及自動生成的草稿訊息，旨在提升溝通效率和簡化數據審查。經過六輪測試後，初步原型獲得正面反饋，顯示個性化互動的重要性。我們的研究結果顯示，GenAI能優化數據管理並加強病人與醫療提供者的溝通，提升遠端監測的效果。 相關文章 PubMed DOI ♡

近年來，人工智慧和機器學習的進步顯著改變了許多領域，尤其是在語音情感識別上。本文提出一種檢測羅馬尼亞語情感的方法，結合了GPT Transformer的語義分析和openSMILE的聲學分析。研究顯示準確率達74%，精確率接近82%。不過，由於數據集的限制和質量不佳，研究面臨挑戰。儘管如此，這項研究為未來在識別心理健康障礙的情感分析探索奠定了基礎。 相關文章 PubMed DOI ♡

這項研究探討了使用開源、輕量級的生成大型語言模型（LLMs）來從腎臟病理報告中提取臨床資訊，特別針對狼瘡性腎炎。研究開發了一個標註架構並生成黃金標準數據集，評估了三個輕量級LLM的表現。結果顯示，Mistral和BioMistral的表現優於Llama 2，Mistral在腎小球亞型的F1分數達到0.996，免疫標記值的F1分數為0.898。這些結果顯示輕量級LLM在臨床資訊提取中的潛力，提供了資源密集型模型的可行替代方案。 相關文章 PubMed DOI ♡

在奇美醫療中心的研究中，「A+ Nurse」這個基於ChatGPT的工具成功應用於護理文書，將每位病人的文書時間從15分鐘縮短到5分鐘，且保持高品質的記錄。護理人員覺得這個工具直觀且有效，顯示出人工智慧在提升醫療流程效率上的潛力。這項整合成為了人工智慧改善病人照護的良好範例，為未來醫療創新鋪路。 相關文章 PubMed DOI ♡

醫療領域，特別是腫瘤學，面臨許多挑戰，如腫瘤委員會會議繁忙、討論時間短，以及護理品質的擔憂。為了解決這些問題，越來越多人關注整合臨床決策支持系統（CDSSs）來協助醫生管理癌症護理。然而，CDSSs在臨床上的應用仍然有限。2022年OpenAI推出的ChatGPT引發了對大型語言模型（LLMs）作為CDSS的興趣。我們進行了一項回顧，評估LLMs在醫療專科，特別是腫瘤學中的有效性，並比較使用者看法與實際表現，以探討其在改善癌症護理結果的可行性。 相關文章 PubMed DOI ♡

這項研究探討如何利用大型語言模型（LLMs）來改善醫療領域的質性訪談數據解釋。傳統的主題建模方法常常過於簡化，難以捕捉患者和醫療專業人員的細微經驗。研究發現，LLMs在數據解釋的效率和深度上表現更佳，顯示它們在整合人類觀點進入可持續醫療系統的發展中，可能扮演重要角色，並有助於解決該領域的挑戰。 相關文章 PubMed DOI ♡

這項研究比較了微調深度學習模型（基於PubMed摘要）與大型語言模型（ChatGPT-3.5）在不良藥物事件命名實體識別（NER）的表現。結果顯示，Hussain等人的微調模型達到97.6%的F1分數，遠高於ChatGPT-3.5的86.0%。雖然少量學習在數據有限時仍具實用性，但無法超越深度學習模型的表現。未來將探討使用GPT-4的少量提示及微調GPT-3.5的可能性。 相關文章 PubMed DOI ♡