這項研究探討大型語言模型（LLMs）在系統性回顧中自動化摘要篩選的可行性。研究測試了六種LLMs，並在23篇Cochrane Library的系統性回顧中評估其分類準確性。初步結果顯示，LLMs在小型數據集上表現優於人類研究者，但在大型數據集上，由於類別不平衡，精確度下降。研究還發現，LLM與人類的結合能減少工作量並保持高敏感性，顯示自動化篩選可減輕研究者負擔。總體而言，LLMs有潛力提升系統性回顧的效率與質量，但仍需進一步驗證。 相關文章 PubMed DOI 推理 ♡

慢性共濟失調症是一組超過300種疾病，因其臨床和遺傳特徵多樣，診斷上相當困難。本研究提出利用人工智慧（AI）來協助診斷，開發了一個智慧虛擬助手。這個助手的診斷準確率高達90.9%，超越了21位神經科醫師和GPT-4的表現。虛擬助手平均只需14個問題和1.5分鐘就能提供診斷清單，效率遠高於醫師的19.4分鐘。研究顯示，這個助手不僅準確，還能成為神經科諮詢的有力工具，未來可能應用於其他疾病。 相關文章 PubMed DOI 推理 ♡

這項研究評估了現代自然語言處理技術，特別是大型語言模型在電子健康紀錄中提取「適應症」資訊的能力，針對抗生素處方進行分析。研究分析了938,150份處方，將4,000個常見適應症分類為11個感染相關類別。結果顯示，微調的Bio+Clinical BERT模型在測試中表現優異，F1分數達0.97和0.98，明顯優於傳統方法。研究結論指出，自由文本適應症能更有效識別感染來源，提升31%。整體而言，基於變壓器的模型在提取臨床數據中顯示出廣泛應用潛力。 相關文章 PubMed DOI 推理 ♡

這項研究評估了一個基於檢索增強生成（RAG）技術的病人資訊助手（PIA）聊天機器人在提供CT前資訊的可行性與有效性，並與傳統醫生諮詢比較。研究對象為86名預定接受CT的病人，隨機分為PIA組和對照組。 主要發現包括：兩組在資訊清晰度和理解度上相似，但對照組在減輕病人擔憂方面更有效。PIA組的諮詢時間顯著較短。放射科醫生對PIA的評價也很高。總結來說，PIA有效提供CT前資訊並縮短諮詢時間，但醫生在解決病人擔憂方面表現更佳。 相關文章 PubMed DOI 推理 ♡

這篇論文探討了人體與機器人互動中，單一模式數據的限制，特別是在廚房環境下，並提出新的多模態數據收集方法。研究收集了來自20位成人的數據，使用17種廚房工具，涵蓋觸覺、肌電圖（EMG）、音頻、全身運動和眼動追蹤等多種數據類型。這個數據集包含680個片段，約11小時的數據，並在七種模態中有56,000個標註。研究旨在提升多樣數據在具身人工智慧中的整合，為機器人技能學習設定新基準。 相關文章 PubMed DOI 推理 ♡

這項研究評估大型語言模型（LLMs）在教育強直性脊柱炎（AS）和脊椎關節炎（SpA）患者的有效性，涵蓋182名參與者，包括4名風濕病學專家和178名患者。結果顯示，LLMs如ChatGPT-4o和Kimi在提供準確的醫療資訊上表現優於傳統指導，且患者對這些資訊的理解和接受度也較高。研究建議LLMs在醫療知識傳遞和患者教育上具潛力，未來可能成為醫療實踐中的重要工具。 相關文章 PubMed DOI 推理 ♡

健康素養對醫生與病人溝通非常重要，特別是手術病人需要理解複雜的程序。美國醫學會建議病人教育材料應以六到八年級的閱讀水平撰寫，但許多線上資源卻較難懂。研究人員分析了三十段有關肩膀和肘部手術的資訊，發現原始文本的可讀性達到十年級。使用ChatGPT-4簡化後，文本可讀性顯著提高，降至八年級水平。這顯示AI能有效簡化醫療資訊，但仍需人類審查以確保準確性。 相關文章 PubMed DOI 推理 ♡

這篇論文探討了一種新型的命名實體識別（NER）方法，旨在克服大型語言模型（LLMs）的限制。傳統的LLMs會將句子壓縮成單一向量，可能會忽略命名實體的獨特語義，尤其是嵌套結構的情況。新模型使用判別性語言模型，將句子映射到高階語義空間，並將命名實體分解為實體主體和邊緣，提升解碼效果。作者提出的多目標學習架構在八個公共數據集上測試，顯示出優異表現，並改善了其他自然語言處理任務的語義表示。 相關文章 PubMed DOI 推理 ♡

高處墜落事故是工作場所傷害和死亡的主要原因，特別是在高處作業中。為了降低風險，墜落防護系統（FPS）至關重要，但設計和選擇有效的FPS仍具挑戰。本研究推出了一個針對高處墜落的知識圖譜（FFH-KG），透過整理事故數據，提供實證見解，協助設計師改善FPS設計。FFH-KG結合自然語言處理和機器學習，包含2,200個實體和4,820個關係，為安全規劃提供堅實基礎，並在案例研究中驗證其有效性，推動智能安全工程的進展。 相關文章 PubMed DOI 推理 ♡

準確測量溫室氣體排放對於減少環境影響的組織非常重要。生命週期評估雖能評估產品的環境影響，但量化超出控制範圍的排放卻很困難，通常依賴排放因子。傳統手動選擇排放因子的方法繁瑣且易出錯。為了解決這個問題，我們提出了一種AI輔助的方法，利用自然語言處理和機器學習自動推薦排放因子，並提供易懂的理由。測試結果顯示，我們的方法在自動化情境下達到86.9%的精確度，幫助組織更有效地朝向淨零排放目標邁進。 相關文章 PubMed DOI 推理 ♡