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 ♡

這篇論文介紹了一款原型手機應用程式，目的是簡化從複雜藥物說明書中檢索資訊的過程，提升藥物管理。這款應用程式利用大型語言模型自動提取資訊，使用者只需掃描藥物包裝，就能快速獲得奧地利藥品目錄的相關細節。提取的資訊會在應用程式中整理並清楚呈現，讓使用者更容易理解。此外，應用程式還提供多種功能，幫助使用者更自信、輕鬆地管理複雜的用藥時間表和劑量。 相關文章 PubMed DOI ♡

這項研究探討小型大型語言模型（sLLM）在從病理報告中提取關鍵資訊的效果。使用三個版本的Llama 2模型，參數從70億到700億不等，並在零樣本和五樣本學習情境下進行評估。結果顯示，700億參數的模型在五樣本情境下表現優異，顯示sLLM能有效提升數據提取的效率與準確性。研究強調範例學習的重要性，並討論模型大小、準確性及處理時間的權衡，支持在臨床環境中應用先進語言模型，以改善病人護理和生物醫學研究。 相關文章 PubMed DOI ♡

這篇論文探討大型語言模型（LLMs）在電腦媒介臨床諮詢中的應用潛力，涉及醫生、電子健康紀錄（EHR）系統和病人。儘管自然語言處理（NLP）已有進展，但EHR中的自由文本數據尚未被充分利用。LLMs擅長理解和生成自然語言，能有效處理臨床對話。論文建議透過針對特定任務的預訓練和微調，醫療提供者可利用自由文本來識別病人安全問題、支持診斷，並改善臨床互動。作者認為，微調的LLMs結合提示工程，能提升初級護理諮詢的效率與效果。 相關文章 PubMed DOI ♡

這篇手稿針對大型語言模型（LLMs）在醫療領域的實際應用進行了回顧，重點在於產品的實施而非理論。透過Factiva資料庫的系統搜尋，作者識別出2023年1月至2024年2月間17個產品推出的23個重要紀錄，並突顯了臨床護理、醫療文件管理、保險服務及慢性病管理等四大主題。研究顯示，LLMs能提升病患護理的個性化與效率，減輕行政負擔，並支持決策。這項研究有助於理解LLMs在醫療的應用，並提供未來整合人工智慧的策略指導。 相關文章 PubMed DOI ♡

這項研究探討如何利用註解的臨床文件來提升ICD-10代碼相關術語的識別。研究人員分析了約190萬個去識別化的ICD-10代碼，並與德文問題清單中的簡短文本進行共現分析，找出統計上顯著的術語候選者。初步分析後，利用大型語言模型擴展種子術語，結果顯示在識別額外術語方面表現良好，顯示出結合臨床數據與語言模型的潛力，能有效縮小標準化術語與日常醫療用語之間的差距。 相關文章 PubMed DOI ♡

這篇論文探討長期新冠對患者生活品質的影響，並分析他們如何透過社交媒體，特別是Twitter，分享經驗。研究重點在於2022年希臘語的貼文，將其情感分為正面或負面。透過情感分析和主題建模，識別與長期新冠相關的討論主題。研究中還使用了ChatGPT來標記主題，並由專家評估準確性。結果旨在揭示長期新冠的討論情況，增進對患者經驗的理解。 相關文章 PubMed DOI ♡

這項研究提出了一種新方法，利用社交媒體數據分析心理健康，並透過大型語言模型和視覺化技術創建Chernoff Faces。研究人員從社交媒體收集了15,744則貼文，經過清理後精煉至2,621則。方法包括數據準備、特徵提取、視覺化和臨床驗證，並使用降維技術將複雜數據轉換為易懂的視覺格式。針對60位精神科醫師的調查顯示，這些視覺化結果有助於改善臨床評估，為未來研究提供基礎，特別是在增強心理健康診斷工具方面。 相關文章 PubMed DOI ♡

這項研究探討五種知識管理方法在臨床決策支持系統中的應用，目的是提升醫療服務並追求零錯誤。方法包括： 1. **影像數據模式識別**：利用機器學習分析醫學影像，快速處理大量數據，但需克服影像質量和標註數據的挑戰。 2. **結構化醫療數據挖掘**：從電子健康紀錄中提取見解，提供即時分析，但可能面臨數據孤島問題。 3. **文本挖掘**：從醫學文獻中提取資訊，保持系統更新，但需處理大量非結構化數據。 4. **可計算知識設計**：創建正式的醫學知識表示，便於整合，但需持續維護。 5. **大型語言模型**：利用語言模型理解臨床知識，靈活但可能面臨準確性問題。 研究評估這些方法的優缺點，旨在指導有效的CDS系統開發。 相關文章 PubMed DOI ♡