斜視是常見的眼科疾病，病人教育對於知情決策很重要。本研究比較了三個AI聊天機器人（ChatGPT、Bard、Copilot）和一個可靠網站（AAPOS）在回答斜視相關問題的表現。結果顯示，AAPOS在準確性上表現最佳，其次是Bard、Copilot和ChatGPT。Bard在可理解性和可行性方面得分最高，而AAPOS則在可讀性上最容易理解。情感分析顯示，Bard和Copilot在病人教育上有潛力，但AAPOS在準確性和可讀性上仍優於這些聊天機器人。 相關文章 PubMed DOI ♡

這項研究探討了ChatGPT-4在文獻回顧中的有效性，特別是在醫療法律背景下醫生與病人之間的關係。分析了由GPT-4生成的文獻回顧與人類研究者撰寫的回顧，並根據準確性、反應時間等標準進行比較。結果顯示，GPT-4在反應時間和知識廣度上表現優異，但在深入理解和情境相關性上較弱。研究強調，雖然GPT-4可作為初步工具，但仍需專家評估以提升學術成果的準確性和情境豐富性，特別是在醫學研究領域。 相關文章 PubMed DOI ♡

這項研究探討耳鼻喉科住院醫師選拔中，人工智慧模擬的決策是否受到人口統計偏見影響。研究使用OpenAI的GPT-4和GPT-4o模擬選拔委員會的決策，結果顯示RSC成員在種族、性別和性取向上存在偏見，特別偏好與自己相似的申請者。最新的ChatGPT-4o則顯示出對黑人女性和LGBTQIA+申請者的偏好，強調在選拔過程中需注意和減少這些偏見，以確保未來醫療人力的多樣性和代表性。 相關文章 PubMed DOI ♡

這項研究評估了商業自動語音辨識（ASR）系統在聽障和重聽者的表現，並與正常聽力者比較。測試了850個音頻檔案，結果顯示聽障者的平均字詞錯誤率（WER）高達52.6%，而正常聽力者僅5.0%。特別是低可懂度的聽障者，WER高達85.9%。這顯示ASR系統對聽障者的服務不足，尤其是對於使用手語或有先天性聽損的人，凸顯了科技公司在可及性上的承諾需要加強，並需使用多樣化的數據來改善ASR系統。 相關文章 PubMed DOI ♡

這項研究強調了數據驅動和機器學習在有機化學中的重要性，特別是在將文獻中的非結構化文本轉為結構化反應數據。這對於提升反應預測和條件建議非常關鍵。研究人員微調了一個大型語言模型，從有機合成程序中提取反應信息，並依據開放反應數據庫格式化。經過微調後，模型在生成完整記錄時達到91.25%的準確率，單個數據欄位則為92.25%。研究還探討了模型的局限性及其在特定任務上的表現。 相關文章 PubMed DOI ♡

這段文字探討戰爭期間負面情緒對社會價值觀、心理健康及全球和平的影響，強調理解這些情緒的重要性，以便更好應對衝突中的人類行為。隨著自然語言處理和人工智慧技術的進步，數位治療工具如AI應用程式能提升心理健康服務的可及性，特別是在資源有限的地區。建議結合線上認知行為療法與情感基礎策略，轉化負面情緒，保護心理健康。AI工具如ChatGPT和Google Gemini可協助創造情感共鳴的訊息，提升溝通效果，設計正面影響的干預措施。 相關文章 PubMed DOI ♡

這封信對Gravina等人關於ChatGPT在提供炎症性腸病患者醫療資訊的文章提出批評。雖然研究結果令人鼓舞，但信中強調需要更複雜的技術，例如結合推理與行動的檢索增強生成，以提升資訊的準確性和可靠性。信中指出，基本的問答測試不足以評估，應採用更全面的評估方法，來有效檢視大型語言模型在臨床環境中的表現。 相關文章 PubMed DOI ♡

這項研究比較了OpenAI的ChatGPT-3.5與傳統網路搜尋引擎在提供Randleman標準資訊的準確性。23名醫學生各花10分鐘使用ChatGPT-3.5，結果顯示只有26.1%的學生獲得正確定義，而100%的學生在網路搜尋中找到準確資訊。ChatGPT-3.5還有17.4%的學生錯誤識別標準，4.3%創造了虛構的「Randleman症候群」，52.2%則完全沒有定義。研究結論指出，對於這個醫學問題，網路搜尋引擎的可靠性明顯高於ChatGPT-3.5，提醒使用AI工具時需謹慎。 相關文章 PubMed DOI ♡

這項研究探討了ChatGPT在2021至2023年間進行的進步測試中回答醫學問題的表現。研究人員將測試問題給ChatGPT 3.5，並與來自120多所巴西大學的醫學生進行比較。結果顯示，ChatGPT在三年的平均準確率分別為69.7%、68.3%和67.2%，均超過醫學生。特別是在公共衛生方面，ChatGPT的平均得分達77.8%。這顯示出ChatGPT在醫學問題的回答準確性上超越了人類學生，包括即將畢業的醫學生。 相關文章 PubMed DOI ♡

這篇社論探討了「ChatGPT和生成式人工智慧（AI）在醫療安全教育中的潛力與限制」，指出AI在川崎病（KD）領域的重要性。文中提到三大應用：首先，機器學習（ML）可用於KD診斷，已開發多種臨床預測模型；其次，基因信號計算工具箱能幫助識別KD及監測相關臨床特徵；最後，深度學習（DL）技術在心臟超音波檢測上表現優異，與專家相當。社論強調需利用更多醫療數據提升AI決策準確性，並關注患者隱私及責任問題，期待AI能改善KD的診斷與治療。 相關文章 PubMed DOI ♡