LLM 相關三個月內文章 / 第 29 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

這項研究探討大型語言模型（LLMs），特別是GPT-4和GPT-3.5，如何分析急診部報告以識別與腎結石相關的就診。研究使用標註過的數據集，透過提示優化和微調來提升模型表現。結果顯示，GPT-4的宏觀F1分數達0.833，明顯優於基準系統的0.71，而GPT-3.5則為0.796。研究還發現，GPT-4在種族和性別偏見方面表現良好，顯示出其在臨床文本分析的潛力。 相關文章 PubMed DOI

精準醫療雖然帶來健康上的好處，但也面臨數據管理複雜、跨領域合作需求及專業人員教育等挑戰。為了解決這些問題，整合各領域專家知識至關重要，尤其是計算專家與醫療人員的合作。大型語言模型如GPT-4和Claude 3的出現，讓非專業人士也能接觸複雜數據。斯坦福數據海洋（SDO）透過可擴展的雲端平台，提供AI導師和數據可視化工具，促進教育與研究，特別支持經濟弱勢及邊緣化社群，提升生物醫學研究的跨學科合作。 相關文章 PubMed DOI

看起來你提到的是一篇特定文章的更正，該文章的DOI是10.7759/cureus.67641。如果你需要有關這個更正或文章的詳細資訊，請提供更多背景或具體說明你想知道什麼！ 相關文章 PubMed DOI

分子生成是人工智慧的一個重要領域，對小分子藥物開發影響深遠。現有方法在某些設計上表現不佳，因此我們提出了FU-SMILES框架，透過片段簡化分子輸入，並推出了FragGPT這個通用分子生成模型。FragGPT在大型數據集上預訓練，能高效生成新分子、連接子設計等，並結合條件生成和強化學習技術，確保生成的分子符合生物學和物理化學標準。實驗結果顯示，FragGPT在生成創新結構的分子方面表現優異，超越現有模型，並在藥物設計中得到驗證。 相關文章 PubMed DOI

在循證醫學中，隨機對照試驗（RCTs）對臨床指導方針至關重要，但傳統的手動數據提取效率低。為了解決這個問題，我們開發了一個針對傳統中醫（TCM）RCT的自動化信息提取模型，使用Evi-BERT結合規則提取技術，從48,523篇研究中提取數據。我們的模型顯著提高了數據的可搜索性和提取效率，並保持高準確性，幫助醫師節省文獻審查時間，加速臨床試驗證據的識別，最終促進精確的臨床指導方針制定。 相關文章 PubMed DOI

這項研究旨在識別和視覺化難治性肌肉骨骼疼痛綜合症的病人群體，特別是纖維肌痛症。研究涵蓋202名患者，發現78%符合纖維肌痛症標準，且許多人有精神或風濕性疾病。透過層次聚類分析，識別出五種不同的患者表型，主要區別在於獨居、體重指數、疼痛類型等。研究還開發預測模型，顯示某些藥物和獨居對疼痛減輕有負面影響，強調了解這些亞型可促進個性化治療，並為未來臨床試驗提供參考。 相關文章 PubMed DOI

這項研究探討了AI語言模型ChatGPT在診斷和管理前肩不穩定性，以及預防小兒脊椎手術感染方面，與骨科醫生的可靠性比較。結果顯示，ChatGPT在14個陳述上與專家意見有合理相關性，但同意程度較低。特別是在紫外線使用的陳述上，ChatGPT的回應與專家不一致，可能因為新文獻影響。總體來看，ChatGPT在簡單問題上準確性尚可，但面對複雜問題時限制明顯。這項研究強調了評估AI在臨床環境中可靠性的重要性。 相關文章 PubMed DOI

MedicoVerse 是一個針對製藥產業法規文件進行摘要的解決方案，運用先進的機器學習技術。它採用多階段流程，包括詞嵌入、聚類和摘要生成。首先，利用 SapBERT 模型創建嵌入，接著用層次聚合聚類方法組織這些嵌入，最後使用 bart-large-cnn-samsum 模型對每個聚類進行摘要，並合併成綜合概述。與 T5、Google Pegasus 等模型比較後，MedicoVerse 在 ROUGE 分數、BERTScore 等評估標準上表現更佳，提供更具資訊性的摘要。 相關文章 PubMed DOI

這項研究探討加拿大醫生提供醫療協助死亡（MAiD）服務時所面臨的情感與道德影響。訪談22位早期實施者發現，雖然MAiD情感上具挑戰性，但也能帶來成就感。醫生們感受到支持病人自主權和減輕痛苦的正面影響，但同時也面臨專業責任與個人感受的緊張。病人的感激和選擇對他們的經驗有正面貢獻，而不確定性和衝突則是挑戰。總體來看，提供MAiD對醫生而言是一種有意義的實踐，強調理解這些影響的重要性，以支持未來的規範和相關利益者。 相關文章 PubMed DOI

這項研究評估了ChatGPT（3.5和4版本）在回答美國醫學執照考試（USMLE）風格的醫學倫理問題的表現，並與醫學知識問題進行比較。研究使用54個問題進行測試，結果顯示： - 兩個版本在醫學倫理問題上的表現不如知識問題。 - GPT-4在倫理問題的準確率比知識問題下降18%，GPT-3.5則下降7%（差異不顯著）。 - GPT-4在倫理問題上比GPT-3.5好22%，知識問題上好33%。 - GPT-4的回答變異性較低，顯示其穩定性較佳。 這些結果強調了持續評估ChatGPT在醫學教育，特別是醫學倫理領域的必要性。 相關文章 PubMed DOI