MADRIGAL是一個創新的多模態人工智慧模型，專注於從臨床數據中預測藥物組合的臨床結果。它整合結構、途徑、細胞活性和轉錄組等多種數據，克服了缺失數據的挑戰。經過測試，MADRIGAL在預測不良藥物相互作用方面表現優於傳統方法，並能進行抗癌藥物組合的虛擬篩選，特別針對II型糖尿病和脂肪肝炎。它還支持個性化癌症治療，並能用自然語言描述臨床結果，提升安全性評估。總之，MADRIGAL在設計組合療法上具有更高的預測準確性和臨床相關性。 相關文章 PubMed 推理 ♡

ChatGPT是由OpenAI開發的對話式AI，對糖尿病管理有潛在影響。雖然它不是專門針對健康數據訓練，但其技術能協助病人教育、提供飲食建議和情感支持。目前正在臨床測試中，任務包括肥胖評估和糖尿病篩檢等。不過，在整合進醫療系統前，必須考慮倫理和法律問題，特別是數據隱私和準確性。儘管有挑戰，ChatGPT有望促進更個性化的糖尿病管理。 相關文章 PubMed DOI 推理 ♡

這項研究探討大型語言模型（LLMs）在急性疼痛情境下的鴉片類藥物處方建議中可能存在的偏見。研究人員測試了十個LLM，使用1,000個情境故事，發現邊緣化群體（如無家可歸者、黑人或LGBTQIA+）通常獲得較高的鴉片類藥物建議，甚至在癌症案例中超過90%。相對而言，低收入或失業者卻獲得較少建議，顯示模型推理的不一致性。這些結果強調了對模型偏見的評估必要性，並呼籲在LLMs中納入基於證據的檢查，以促進公平的疼痛管理。 相關文章 PubMed DOI 推理 ♡

這項研究探討了電子健康紀錄（EHRs）中非結構化醫療文本的標準化挑戰，因為這些文本格式不一致。約80%的EHR數據是非結構化的，作者使用大型語言模型（LLMs）來標準化這些文本，開發了四種策略，包括RAGnorm。研究評估了這些策略在三個SNOMED映射的病症術語數據集上的表現，結果顯示RAGnorm在所有數據集中的表現最佳，且在TAC2017任務中獲得88.01的微F1分數，顯示其在標準化生物醫學文本方面的潛力。 相關文章 PubMed DOI 推理 ♡

這項研究探討了生成預訓練變壓器（GPT）模型，特別是GPT-3.5、GPT-4和GPT-4o，如何在非結構化病人筆記中識別與免疫檢查點抑制劑（ICI）療法相關的免疫相關不良事件（irAEs）。分析了442名病人，發現常見的irAEs包括肺炎、結腸炎、皮疹和肝炎。雖然GPT模型在敏感性和特異性上表現良好，但正向預測值中等，顯示出過度預測的傾向。GPT-4o在血液、胃腸和肌肉骨骼類別中表現最佳。研究建議這些模型可自動化檢測irAEs，減輕醫療人員負擔，增強病人安全監測。 相關文章 PubMed DOI 推理 ♡

這項研究探討如何利用臨床實踐指導（CPGs）來強化大型語言模型（LLMs），以改善針對 COVID-19 的門診治療決策。研究開發了三種整合 CPGs 的方法：二元決策樹、程式輔助圖形構建和思考鏈少量提示，並以零樣本提示作為基準。結果顯示，所有 LLMs 在有 CPG 增強的情況下表現優於零樣本提示，特別是二元決策樹在自動評估中表現最佳。這顯示出帶有 CPG 的 LLMs 能提供更準確的治療建議，未來應用潛力廣泛。 相關文章 PubMed DOI 推理 ♡

這項研究專注於臨床筆記中的斷言檢測，對於提取醫學概念非常重要。斷言檢測能幫助醫療人員理解病患的醫學狀況，進而提升護理品質。傳統方法常需大量手動操作，且容易漏掉不常見的斷言。為了解決這些問題，我們提出使用大型語言模型（LLMs）進行斷言檢測，並結合先進的推理技術。經過評估，我們的模型在i2b2 2010數據集上達到0.89的F-1分數，顯示LLMs在臨床NLP中具潛力，能有效應用於各種臨床任務。 相關文章 PubMed DOI 推理 ♡

這篇評論探討人工智慧（AI）在血管炎診斷和預後預測中的應用。血管炎是一種罕見的炎症性疾病，診斷上常有挑戰。研究分析了2000至2024年間的46篇相關文獻，發現AI在川崎病的診斷準確率高達92.5%敏感度和97.3%特異度，預測模型也顯示良好表現。然而，其他血管炎類型的研究較少，且樣本量小。總體來看，AI能顯著提升血管炎的診斷與預測，但仍需更多數據和驗證以擴大應用。 相關文章 PubMed DOI 推理 ♡

本研究評估ChatGPT 4 Omni在診斷神經認知障礙的準確性，並與早期版本比較。研究分為兩部分，第一部分分析其與臨床醫生的診斷一致性，涉及12,922名老年人，結果顯示有一定的關聯性，但準確性仍不足以獨立使用。第二部分則使用537名老年人的數據，未顯示顯著一致性。結論指出，雖然ChatGPT 4 Omni有潛力，但仍需改進與訓練，以提升其在臨床中的應用效果。 相關文章 PubMed DOI 推理 ♡

污水處理廠面臨運營挑戰，因為生物、化學和物理過程之間的複雜互動。傳統的建模方法在處理多樣化數據時常遇困難。大型語言模型（LLMs）提供了新解決方案，能整合數據、識別模式並改善決策過程。這篇文章探討如何利用多代理LLMs來提升污水處理廠的過程控制和決策能力，並透過污泥膨脹案例展示其優勢。儘管存在計算成本和AI決策風險，但可透過驗證和人類監督來解決。總之，多代理LLMs是污水處理廠運營中的關鍵創新。 相關文章 PubMed DOI 推理 ♡