這項研究評估了ChatGPT-4在社區藥局的表現，包括藥物資訊檢索、標籤錯誤識別、處方解讀及決策支持等。結果顯示，ChatGPT對藥物查詢的回應相當滿意，能引用正確的藥物數據，並成功識別標籤錯誤。在臨床情境中，其建議與藥師相當，特別是在藥物反應評估和健康建議方面。研究指出，ChatGPT可能成為社區藥局的有用工具，但仍需進一步驗證其在不同查詢和病人群體中的有效性及隱私問題。 相關文章 PubMed DOI ♡

這項研究比較了兩種模型在預測住院情況的表現，分別是深度學習模型Bio-Clinical-BERT和詞袋邏輯回歸模型BOW-LR-TF-IDF。研究基於Mount Sinai Health System近140萬名患者的數據，結果顯示Bio-Clinical-BERT的接收者操作特徵曲線下面積（AUC）得分為0.82到0.85，優於BOW-LR-TF-IDF的0.81到0.84。雖然兩者性能差異不大，但都能有效利用分診筆記進行預測。研究強調在資源有限的情況下，簡單模型也能滿足需求，並建議進一步研究以提升醫療預測能力。 相關文章 PubMed DOI ♡

這篇論文探討簡訊(SMS)介入在健康行為支持上的有效性，回顧了相關研究的歷史及美國政府的資金來源。研究涵蓋身體活動、飲食、心理健康和物質使用等議題，並透過統合分析提供支持。文中強調簡訊的即時支持和數據收集優勢，並提出增強有效性和用戶參與的設計要素，還探討生成式人工智慧在改善互動中的潛力。最後，論文針對平台、隱私、醫療整合及用戶參與等挑戰提出解決方案，期望幫助研究人員和實務者改善健康結果。 相關文章 PubMed DOI ♡

這項初步研究探討醫師助理（PA）計畫的醫學主任在倡導PA方面的角色，並分析影響因素。研究使用混合方法，發送調查問卷收回69份，回覆率26%。結果顯示，大多數受訪者為男性白人醫學博士，並每週作為PA醫學主任工作8到12小時。他們普遍反對改變PA職稱，並未參與相關立法，但積極推廣PA的領導角色和就業機會。值得注意的是，41%的受訪者感到缺乏專業組織的支持。研究建議加強對醫學主任的支持，以促進PA職業發展。 相關文章 PubMed DOI ♡

全髖關節置換術（THA）是一項常見手術，雖然結果通常良好，但手術部位感染（SSIs）風險仍然存在，可能導致嚴重併發症及增加醫療費用。有效的病人教育對降低這些風險至關重要，因為知情的病人更能採取預防措施。像GPT-4o這樣的先進語言模型，能提供客製化的教育資源，促進互動學習，並支援多語言，提升病人對預防策略的理解與遵循。透過這些技術，病人教育有望改善術後恢復並減少SSIs的發生。 相關文章 PubMed DOI ♡

藥物引起的肝損傷（DILI）是藥物安全性的重要議題，也是急性肝衰竭的主要原因。傳統的文獻搜尋方法因藥物相互作用的複雜性而效率不高，且手動整理容易出錯。近期，利用大型語言模型（LLMs）如LLaMA-2，研究人員開發了專門用於DILI分析的模型，並在CAMDA 2022的數據集上達到97.19%的準確率，顯示出LLMs在文獻識別上的潛力，可能簡化監管審查流程。 相關文章 PubMed DOI ♡

這項研究探討大型語言模型（LLMs）在醫療應用中的準確性與能耗之間的平衡，特別分析了Meta的Llama 2和LMSYS Org的Vicuna 1.5。研究使用印第安納大學的胸部X光影像資料庫，發現Vicuna 1.5在效率和準確率上表現優於Llama 2。Llama 2的70B模型能耗是7B版本的七倍，但準確率卻較低，效率比僅22.30。結論指出，較小且經過微調的LLMs在醫療應用中更具可持續性，強調選擇模型的重要性，需平衡性能與環境影響。 相關文章 PubMed DOI ♡

這篇系統性回顧強調虛擬實境（VR）在外科教育中的重要性，並指出其相對於傳統訓練的優勢。根據PRISMA指導方針，分析了1926篇研究，最終納入31篇。主要發現顯示，VR在外科模擬中效果顯著，特別是在解剖視覺化、手術計畫和技能評估方面。使用VR模擬器的初學外科醫生在信心、準確性和決策能力上都有明顯提升。不過，回顧也提到VR在病人溝通和團隊訓練上的應用仍需加強。VR在整形及重建外科的教學潛力很大，但仍需進一步研究以發展針對性的訓練方法。 相關文章 PubMed DOI ♡

在2023年8月的一項分析中，對ChatGPT-3.5和Bard（Google Gemini）在回答12個懷孕問題的表現進行比較。根據美國婦產科醫學會的標準，ChatGPT-3.5的可接受回答率為58%，而Bard則達到83%。此外，ChatGPT-3.5的參考資料全有問題，Bard只有8%不一致。整體來看，Bard在準確性上優於ChatGPT-3.5，但兩者都需進一步評估才能成為懷孕婦女的可靠資訊來源。 相關文章 PubMed DOI ♡

這項研究評估了一個經過微調的大型語言模型（LLM）在識別骨轉移患者的有效性，並與放射科醫師的手動標註進行比較。研究分析了15,456名患者的報告，LLM在711份報告中準確率達97.9%，敏感度分別為98.8%、94.7%和94.3%。雖然放射科醫師的準確率和敏感度稍高，但LLM的分類時間僅需105秒，遠低於醫師的2312秒和3094秒。總體來看，這個LLM在檢測骨轉移方面表現出色，且速度更快。 相關文章 PubMed DOI ♡