這項研究探討了使用生成性大型語言模型（LLMs）來自動化醫學研究中的偏見風險評估（RoB）。研究發現，LLMs在新整理的測試數據集上的表現不如預期，F1分數僅在0.1到0.2之間，與簡單基準相似，顯示其在RoB2預測任務中的效能有限。即使在分解任務中，表現也不佳，遠低於傳統監督系統。這顯示目前的LLMs尚不適合作為RoB2評估的可靠工具。 相關文章 PubMed DOI ♡

這項研究探討大型語言模型（LLMs）在護理教育中的應用，強調轉向更互動的學習環境。研究分析了自2022年以來的文獻，找出19篇相關研究。結果顯示，LLMs在自然語言處理的進步，能改善課程傳遞、促進批判性思維，並模擬複雜的臨床情境。文章全面分析了目前的應用、挑戰及未來研究方向，特別是像ChatGPT這樣的LLMs在護理教育中的使用，並呼籲整合人工智慧以提升教育成果，確保道德與有效性。 相關文章 PubMed DOI ♡

這篇論文提出了一個概念模型，探討影響健康素養的認知因素及社會經濟元素。作者們開發了HEALIE知識圖譜，整合了多種醫學本體論和專家意見的信息。接著，這個知識圖譜與大型語言模型結合，創造出個性化的醫療內容。文中還提供了一個範例，展示這種方法在提升健康素養、幫助個人管理健康及參與醫療決策方面的有效性。 相關文章 PubMed DOI ♡

生成式AI模型如ChatGPT正在改變醫療保健，透過提示工程提升AI輸出的準確性和倫理標準。這個九階段的過程包括：識別應用、了解利益相關者需求、設計量身定制的提示、迭代測試與改進、倫理考量、協作反饋、文檔記錄、培訓及持續更新。研究強調生成式AI在醫療中的應用，確保AI提示能滿足病人及醫療提供者的需求，促進病人對症狀、治療和預防策略的知情決策。 相關文章 PubMed DOI ♡

現代的生成式人工智慧技術，如檢索增強生成（RAG），能顯著提升癌症治療的討論效果。專家通常需花費大量時間審查文獻以尋找證據和建議，但透過RAG流程，這個過程變得更簡單。該流程從可信來源（如OncoKB）檢索相關文本，並提供給大型語言模型（LLM），無需微調。研究顯示，透過向Llama 2模型提出簡單問題，能重現超過80%的治療關係，顯示出減少文獻審查勞動量的潛力，並提升討論效率。 相關文章 PubMed DOI ♡

這篇論文探討基於變壓器的大型語言模型（LLMs）在生成合成表格健康數據的有效性，並與生成對抗網絡（GANs）進行比較，這對遵循隱私法規的醫療研究非常重要。研究分析了Pythia LLM Scaling Suite，模型參數從1400萬到10億，結果顯示較大的LLM在性能上優於GAN，甚至最小的LLM也能達到相似效果。此外，訓練數據集大小與模型性能呈正相關。論文還討論了在醫療領域實施LLM的挑戰與考量。 相關文章 PubMed DOI ♡

這項研究針對將非結構化醫療文本轉換為結構化格式的挑戰，提出了一個自動化的本地流程，確保使用開源大型語言模型（LLMs）時能維護數據隱私。研究針對包含敏感健康資訊的德語醫療文件進行測試，結果顯示在800份非結構化醫療報告中，數據提取的準確率高達90%，表現優於醫生和醫學生的手動提取。這顯示該流程能有效提升數據可用性，同時保障隱私。 相關文章 PubMed DOI ♡

在醫學研究和醫療保健快速變化的環境中，龐大的科學文獻既帶來機會，也帶來挑戰。研究人員和醫生需在大量非結構化數據中尋找能推動生物醫學進展的見解。本文探討主題提取演算法在乳腺癌研究中的應用，揭示當前趨勢與未來方向。我們使用TripleA工具，透過TextRank和大型語言模型（LLM）提取相關主題，並對兩種方法的結果進行深入分析與比較。 相關文章 PubMed DOI ♡

這項研究開發了一個生成式人工智慧（GenAI）助手，目的是改善高血壓的遠端病人監測。透過對醫生和病人需求的深入分析，我們找出了管理數據和促進病人參與的主要挑戰。這個GenAI助手包括針對病人的聊天機器人、為醫生提供的智能摘要，以及自動生成的草稿訊息，旨在提升溝通效率和簡化數據審查。經過六輪測試後，初步原型獲得正面反饋，顯示個性化互動的重要性。我們的研究結果顯示，GenAI能優化數據管理並加強病人與醫療提供者的溝通，提升遠端監測的效果。 相關文章 PubMed DOI ♡

近年來，人工智慧和機器學習的進步顯著改變了許多領域，尤其是在語音情感識別上。本文提出一種檢測羅馬尼亞語情感的方法，結合了GPT Transformer的語義分析和openSMILE的聲學分析。研究顯示準確率達74%，精確率接近82%。不過，由於數據集的限制和質量不佳，研究面臨挑戰。儘管如此，這項研究為未來在識別心理健康障礙的情感分析探索奠定了基礎。 相關文章 PubMed DOI ♡