這項研究探討了人工智慧（AI）在印度等多元文化環境中，如何改善臨終關懷（EOLC）資訊的獲取。研究比較了ChatGPT和Google Gemini生成的病人資訊手冊（PILs），分析了可讀性、情感、準確性、完整性和適用性等因素。 主要發現顯示，Google Gemini在可讀性和可操作性上優於ChatGPT，兩者在情感表達、準確性和完整性上都表現良好。研究強調AI在提升EOLC病人教育的潛力，並呼籲持續改進以確保具備同情心和文化敏感性。 相關文章 PubMed DOI ♡

要以APA格式引用這篇文章，可以這樣寫： Hajijama, S., Juneja, D., & Nasa, P. (2024). Large language model in critical care medicine: Opportunities and challenges. *Indian Journal of Critical Care Medicine, 28*(6), 523-525。 如果需要其他格式的引用（例如MLA、Chicago等），請根據具體要求進行調整。 相關文章 PubMed DOI ♡

一項研究評估了ChatGPT 3.5和連接網路的GPT-4（Microsoft Copilot）在公共醫療系統耳鼻喉科考試中的表現，共發放135道問題。結果顯示，GPT-4的得分為88.5分，明顯優於ChatGPT的60分，且Copilot在108名耳鼻喉科醫生中排名第二，而ChatGPT則排在第83位。整體來看，具網路連接的GPT-4在回答醫學多選題方面表現更佳。 相關文章 PubMed DOI ♡

水污染是全球性問題，影響超過20億人。根據聯合國教科文組織的報導，水污染可由自然現象或人類活動引起。為了解決這個問題，開發了一套即時視覺監控系統，結合攝影機、Raspberry Pi和大型語言模型（LLMs），能檢測七種主要污染物，如藻華、油污等。透過YOLOv5模型，系統能自主識別污染物並提供相關資訊，並即時警報當地當局，促進快速反應。這種創新方法對環境健康教育及水污染治理具有重要意義。 相關文章 PubMed DOI ♡

這項研究提出了一種無需編碼的方式，利用ChatGPT-4開發青光眼風險評估工具，並使用韓國國家健康與營養調查的數據進行分析。透過自動化編碼，進行邏輯回歸分析，預測青光眼風險，並建立基於勝算比的評分系統。該工具還提供使用者友好的風險計算器。高風險群體的OR值顯示出良好的預測能力，顯示ChatGPT-4在臨床青光眼檢測中的潛力。 相關文章 PubMed DOI ♡

提議的PALM-H3模型旨在簡化抗體設計，專注於生成針對特定抗原的人工抗體，特別是重鏈互補決定區域3（CDRH3），減少了從血清中分離天然抗體的需求，節省資源和時間。此外，A2binder模型可預測抗原與抗體的結合特異性。PALM-H3生成的抗體對SARS-CoV-2抗原，包括XBB變異株，顯示出高結合親和力和強中和能力。透過Roformer架構的注意力機制，增強了模型的可解釋性，為抗體設計提供了重要見解，代表抗體工程的一大進展。 相關文章 PubMed DOI ♡

這項研究探討大型語言模型（LLMs），如ChatGPT-3.5和GPT-4，在風濕性疾病治療計畫的潛力，並與臨床風濕病學委員會（RB）的計畫進行比較。結果顯示，68.8%的案例中RB的計畫更受偏好，GPT-4和GPT-3.5則分別為16.3%和15.0%。GPT-4在一線治療中較受青睞，且與RB的計畫在安全性上無顯著差異。雖然LLMs生成的計畫安全且高品質，但RB的計畫在遵循指導方針和整體品質上表現更佳，建議需進一步研究以提升LLMs的臨床應用。 相關文章 PubMed DOI ♡

區塊共聚物資料庫（BCDB）是一個綜合平台，提供搜尋、提交、視覺化及下載與區塊共聚物相關的實驗數據。它解決了數據共享的標準化問題，目前擁有超過5,400個熔融相位測量和模擬數據點。使用者可透過CRIPT網頁應用程式訪問，並利用BigSMILES編碼進行詳細搜尋。BCDB還整合了GPT-4 AI模型，能有效篩選相關文獻，幫助識別貢獻數據的論文，顯示出其在聚合物數據獲取上的重要性。 相關文章 PubMed DOI ♡

可穿戴技術的發展帶來大量感測器數據，促進健康監測和個人化醫療，但也面臨數據複雜性和分析挑戰。近期，大型語言模型（如GPT-4和Llama）成為分析這些數據的新工具。本研究探討了利用這些模型進行人類活動識別的趨勢與挑戰，並分析了數據質量、計算需求、可解釋性及隱私等問題。透過案例研究，顯示LLMs在數據分析中的潛力，並建議未來研究應聚焦於預處理技術和跨學科合作。 相關文章 PubMed DOI ♡

基於骨架的動作識別因其效率和對光照變化的適應性而受到重視，但現有方法多集中於全局骨架特徵，忽略了肢體動作間的微妙關聯。針對「刷牙」和「梳頭髮」等動作的細微差異，我們提出了語言驅動的部分語義相關性學習（LPSR）框架，將細緻的語言描述融入骨架特徵學習中。透過大型語言模型生成局部肢體動作描述，並結合全局骨架表示，我們創建了全面的跨模態行為表示，並引入循環注意互動模塊以捕捉肢體動作間的隱含關聯。我們的研究證實了此方法的有效性，並在動作識別上達到最先進的表現。 相關文章 PubMed DOI ♡