這項研究旨在透過自動化系統提升從科學文獻中提取藥物動力學（PK）數據的效率。研究團隊建立了一個包含2,640個專家標註表格的語料庫，並訓練了一個監督式分類流程，結合GPT-4來改善預測準確度，F1分數超過96%。該模型應用於PubMed Central的PK論文，並整合到www.pkpdai.com的搜尋工具中，代表自動化PK數據提取的重要進展，語料庫和代碼已公開。 相關文章 PubMed DOI 推理 ♡

這項研究評估了四個大型語言模型（LLMs）在回答脊髓損傷相關問題的表現，包括ChatGPT-4o、Claude-3.5 sonnet、Gemini-1.5 Pro和Llama-3.1。結果顯示，Gemini的資訊品質最佳，但可讀性較低，需大學程度理解。ChatGPT在準確性上表現最佳，達83.8%的「良好」評級，超過其他模型。所有模型在全面性和自我修正能力上表現良好，特別是ChatGPT和Claude在修訂後有顯著改善。這是首次在脊髓損傷背景下系統性比較這些模型的研究。 相關文章 PubMed DOI 推理 ♡

這篇論文探討了一種創新的壓縮大型語言模型（LLMs）的方法，以降低其計算需求和環境影響。主要技術包括： 1. **前向傳播剪枝（FPP）**：透過凍結和將未使用的參數設為零，減少嵌入層和前饋層的可訓練參數，提升訓練和收斂速度。 2. **權重矩陣折疊**：利用相同列壓縮和對角權重壓縮，修剪自注意力層的查詢和鍵矩陣，增強模型一致性和性能。 測試結果顯示，變壓器層減少99%，整體模型壓縮約70%，同時保持相似準確性，顯著降低記憶體使用和計算需求，促進人工智慧的可持續發展。 相關文章 PubMed DOI 推理 ♡

這項研究強調中央銀行的綠色溝通對減少高能耗企業碳排放的重要性，對實現可持續發展目標（SDGs）至關重要。研究分析了中國中央銀行5066篇綠色金融相關文本，並開發了「中央銀行綠色溝通指數」。結果顯示，增強綠色溝通能顯著降低碳排放，特別是在溝通頻繁的省份和大型企業中。研究指出，這一效果主要透過促進技術創新、加強外部監管及減輕財務約束來實現，建議中央銀行應加強綠色溝通並整合進監管和貨幣政策中。 相關文章 PubMed DOI 推理 ♡

這項研究探討了資訊搜尋平台（如傳統搜尋引擎和AI工具）如何因「狹隘搜尋效應」影響使用者更新信念。這種效應使得使用者的先前信念影響搜尋詞，導致結果偏頗且有限。研究進行了21個實驗，涵蓋健康、金融和政治等領域，顯示這現象普遍存在。結果顯示，使用者的信念影響搜尋行為，限制信念更新。雖然促使使用者修正偏見的努力多數無效，但調整演算法以提供更廣泛的搜尋結果能促進信念更新，強調設計搜尋演算法的重要性。 相關文章 PubMed DOI 推理 ♡

這項研究探討大型語言模型（LLMs），特別是ChatGPT和Gemini，在根據手術記錄生成當前程序術語（CPT）代碼的有效性。分析了10個案例，將AI生成的代碼與專家手動編碼進行比較。結果顯示兩者表現相似，準確性無顯著差異。Gemini的正確回應率稍高（30%對20%），而ChatGPT則有更多部分正確的回應（50%對40%）。研究指出，AI有潛力提升編碼準確性並減少醫療帳單的行政負擔，未來將探討其在其他外科領域的應用。 相關文章 PubMed DOI 推理 ♡

這項研究介紹了DS-MVP，一種新方法，用來預測人類基因組中錯義變異的疾病特異性致病性。與傳統方法不同，DS-MVP利用深度學習模型捕捉變異特徵，並用XGBoost模型針對特定疾病進行微調，提升預測準確性。評估結果顯示，DS-MVP在多種數據集上表現優於現有方法，並能有效識別與特定疾病相關的變異。研究強調不同特徵對模型性能的重要性，顯示DS-MVP在改善疾病診斷和臨床研究中的潛力。 相關文章 PubMed DOI 推理 ♡

華法林是一種常用的抗凝劑，雖然能有效預防中風和血栓，但因治療範圍狹窄和藥物相互作用多，管理劑量上對醫生來說相當具挑戰性。為了解決這些問題，研究推出了Warfa-Check，一個雙語的AI網路應用程式，幫助使用者識別華法林的潛在藥物相互作用。這個應用程式友好易用，能接受文字、圖片或語音指令，並提供顏色編碼的警示，提升用戶的安全性。未來計畫還包括擴展到其他抗凝劑及整合電子健康紀錄。 相關文章 PubMed DOI 推理 ♡

病人報告結果量測（PROMs）對於了解病人的臨床經驗很重要，但傳統問卷格式可能影響其實用性和病人的接受度。這篇評論探討大型語言模型（LLMs）在提升PROM數據收集和解釋的潛力。透過LLMs，我們能創造更互動的PROMs，讓病人能即時在數位平台上回應和評分。這些LLM-PROMs應在各方參與下開發，並與傳統PROMs驗證，能在現實環境中補充現有量測，捕捉更相關的病人信息，促進臨床應用。 相關文章 PubMed DOI 推理 ♡

這項研究探討如何利用人工智慧（AI）提升藥學教育，特別是在團隊學習中。雖然案例學習和模擬病人互動效果良好，但提供一致且個性化的指導仍具挑戰。研究人員開發了一個AI輔助的病人案例討論模擬，旨在幫助藥學博士（PharmD）學生整合基礎科學與臨床決策，特別是在免疫學課程中。 這個AI系統基於大型語言模型，專注於分析症狀、解釋檢查結果及藥師角色。評估標準涵蓋病情識別等能力，並給予不同權重。結果顯示，AI模擬器能標準化臨床討論，並提供個性化學習體驗，為藥學教育帶來可擴展的解決方案。 相關文章 PubMed DOI 推理 ♡