這項研究評估了GPT-4在創建針對患者友好的介入放射學教育材料的能力。研究人員回顧了10個程序，並生成通俗易懂的說明，這些說明由臨床醫師和非臨床評估者評估。結果顯示，大多數說明被認為適當，特定程序如腹腔穿刺和透析導管放置獲得高評價，但動脈栓塞的說明則評價較低。可讀性評估顯示，GPT-4的說明更易理解，顯示其在提升健康素養和患者教育方面的潛力。 相關文章 PubMed DOI ♡

人工智慧（AI），特別是像ChatGPT這樣的大型語言模型，在醫療保健中扮演著重要角色。雖然它們能提升行政效率並協助醫療人員，但不應取代醫生的關鍵職能。AI應該與醫生合作，處理數據管理和病患溝通，讓醫生專注於診斷和決策。 對於監管和風險管理的擔憂是合理的，因為缺乏監督的AI使用可能導致誤診或病患照護不足。因此，應用AI時必須重視透明度和安全性，增強人類專業知識，而非取而代之。 最終，AI在醫學中的最佳使用方式是建立夥伴關係，讓技術輔助醫療專業人員，改善病患結果並簡化流程。 相關文章 PubMed DOI ♡

自動生成知識圖譜能有效提升資訊的組織性與可及性，並加速發現與創新。本研究介紹了一個利用大型語言模型在主動學習框架下創建大規模知識圖譜的流程，專注於生鮮食品、成分與化學物質的關係。透過迭代的主動學習策略，從155,260篇科學論文中提取了230,848個食品-化學成分關係，其中46%為新發現。此外，還利用鏈接預測模型發掘了355個新的食品-化學關係，顯示出強烈的發現潛力。這項研究展示了如何透過文獻進行大規模自動學習，促進實際應用的發展。 相關文章 PubMed DOI ♡

這項質性研究探討中國脆弱老年人對行動健康（mHealth）運動介入的需求與偏好，並找出有效的推動策略。透過對14位60至82歲參與者的訪談，發現他們對新技術持開放態度，但低健康素養和其他優先事項限制了參與。 研究指出mHealth介入需滿足三大需求：專業參與、個性化知識和動態運動課程。推動策略如簡化、遊戲化、社會支持等能提升參與度，解決隱私問題也很重要。未來可探索可穿戴設備和虛擬教練等技術，以增強體驗並評估推動效果。 相關文章 PubMed DOI ♡

這項研究針對醫療領域的大型語言模型（LLMs）開發了一個全面的評估框架，旨在評估其效能、安全性和倫理合規性。研究採用多準則決策方法（MCDM）及模糊加權零不一致性（FWZIC）來處理醫療決策中的不確定性，並使用多屬性理想-現實比較分析（MAIRCA）來評估不同的醫療LLMs。結果顯示，「醫療關係提取」的重要性略高於「臨床概念提取」，「GatorTron S 10B」表現最佳，而「GatorTron 90B」則最低。這項研究對醫療實務具有重要意義，能幫助專業人士做出明智的LLM採用決策。 相關文章 PubMed DOI ♡

這項研究評估了多模態人工智慧模型 GPT-4V 在解讀放射影像的表現，包括超音波、電腦斷層掃描和 X 光。分析230張急診影像後，模型在影像識別上達到100%準確率，但在解剖和病理識別上表現不佳，尤其是病理識別僅35.2%。儘管有潛力，GPT-4V 的診斷錯誤率超過40%，引發臨床使用的可靠性擔憂。研究強調需進一步開發以提升準確性，確保病人安全，並指出目前不宜作為獨立診斷工具。 相關文章 PubMed DOI ♡

心血管疾病是全球主要的死亡原因，早期檢測仍然面臨挑戰。人工智慧（AI）在改善早期診斷方面展現潛力，特別是深度神經網絡能提高醫學影像的解讀準確性，發現心臟科醫生可能忽略的細節。隨著變壓器模型和大型語言模型的進步，AI能更好整合電子健康紀錄、影像和基因數據，幫助識別高風險患者並制定預防策略。儘管AI能提供即時診斷支持，但在臨床應用前仍需解決數據隱私和診斷錯誤等風險。本文探討AI在心血管醫學中的機會與挑戰。 相關文章 PubMed DOI ♡

這項研究評估了GPT-4與GPT-3.5及家庭醫學住院醫師在2022年美國家庭醫學委員會考試中的表現。結果顯示，GPT-4的準確率達84%，明顯高於GPT-3.5的56%，標準分數提升410分。定性分析指出，GPT-4能整合新資訊並自我修正，展現高準確性和快速學習能力。研究強調，GPT-4在臨床決策中具潛力，同時也提醒醫生在運用人工智慧時，需具備批判性思考和終身學習的能力。 相關文章 PubMed DOI ♡

這項研究評估了大型語言模型（LLMs）在回答結膜炎相關問題的有效性，於復旦大學眼耳鼻喉醫院進行。研究分為兩階段，第一階段四個LLM（GPT-4、Qwen、Baichuan 2和PaLM 2）回答22個問題，專家評估其正確性、完整性等。結果顯示GPT-4表現最佳，Qwen在有用性和安全性上也不錯。第二階段中，30名結膜炎患者與GPT-4或Qwen互動，滿意度高。研究結論認為LLMs能提升患者教育，但需改善個性化和複雜性處理能力。 相關文章 PubMed DOI ♡

這篇論文介紹了一個新的資料集，名為DepressionEmo，專注於分析與憂鬱症相關的八種情緒，使用了6,037篇Reddit長文。資料集透過預訓練模型的零樣本分類進行創建，並經過標註者和ChatGPT的驗證，顯示出良好的評分一致性。研究探討情緒間的相關性，並評估多種文本分類方法，包括機器學習和深度學習模型。雖然BART和BERT的F1 Macro分數相同，但BERT因參數較少被視為最有效。該資料集可在GitHub上公開獲取。 相關文章 PubMed DOI ♡