這項研究探討大型語言模型（LLMs），如ChatGPT，對甲狀腺疾病病人問題的回答效果，並與醫生的回應進行比較。分析了來自Reddit的33個問題，並收集了醫生及LLMs（GPT-3.5和GPT-4）的回應。 結果顯示，GPT在準確性、質量和同理心上均優於醫生，特別是GPT-4表現最佳。這顯示LLMs能提供更準確、完整且具同理心的回應，可能有助於減輕醫生的工作負擔及降低職業倦怠。 相關文章 PubMed DOI ♡

這項研究調查了學生藥劑師對人工智慧（AI）和機器學習（ML）在藥學實務中的看法。研究發現，學生藥劑師對AI/ML持正面態度，但對其應用了解有限。他們認為AI/ML能提高準確性和效率，但也擔心警報疲勞和錯誤的風險。參與者希望能進一步了解這些技術，並希望將其納入藥學教育中。研究強調了藥學實務中整合AI/ML的需求，並呼籲藥劑師、教育機構與AI/ML公司合作，以克服挑戰。 相關文章 PubMed DOI ♡

這項研究探討了基於變壓器的自然語言處理（NLP）如何改善偶發性主動脈瘤（AAs）的檢測與管理。研究目標包括評估NLP管道的有效性、量化臨床影響及促進約診協調。分析了3,229份放射學報告，結果顯示NLP在檢測AAs方面準確性高，F1分數介於96.7%到99.4%之間，優於手動查閱。研究中，14.1%的患者有偶發性發現，55.7%成功聯繫並協調後續約診，顯示NLP能有效增強主動脈瘤的監測，改善患者結果。 相關文章 PubMed DOI ♡

這項研究評估了ChatGPT-3.5在回答青光眼相關常見問題的有效性。由十二位專家組成的評估小組針對四個主題的40個問題進行評分，結果顯示AI的回答整體得分為正面，平均約為4分（「同意」）。不過，全面性得分最低（3.7），顯示回答常缺乏深度。具體來說，20%的問題在連貫性上得分低於4，42.5%在事實性上得分低於4，60%在全面性上得分低於4，20%在安全性上得分低於4。專家指出AI缺乏個別病人情況的考量。因此，雖然AI的回答普遍可接受，但不應依賴其進行青光眼的個人化諮詢。 相關文章 PubMed DOI ♡

這項研究探討了一種免持的放射科報告系統，結合語音轉文字技術與生成式人工智慧，旨在提升效率並減輕醫師負擔。研究比較了傳統報告生成方式與使用GPT-4的自動化過程，分析了100份胸部及肌肉骨骼的報告。主要發現顯示，這個系統能減少報告生成時間38%（p < 0.0001），且報告質量普遍較高，但在某些複雜案例中偶有不準確。結論指出，整合這些技術可改善工作流程，讓醫師能更專注於病人護理，但仍需進一步提升報告的全面性與準確性。 相關文章 PubMed DOI ♡

社會支持（SS）和社會孤立（SI）對精神健康影響深遠，通常在電子健康紀錄中以非結構化的臨床筆記記錄。為了自動提取這些資訊，研究人員在Mount Sinai Health System和Weill Cornell Medicine進行了一項研究，標註了525份筆記，建立了黃金標準語料庫。他們開發了兩種系統：基於詞彙的規則系統（RBS）和大型語言模型（LLM）。結果顯示，RBS在提取SS/SI方面表現優於LLM，顯示出更高的準確性。這表明RBS的設計更符合標準，而LLM則較為一般化，未來仍需進一步研究以確認這些結果。 相關文章 PubMed DOI ♡

這項研究探討了將人工智慧工具ChatGPT應用於醫療決策的可行性，特別針對小兒阻塞性睡眠呼吸暫停症（OSA）在腺樣體及扁桃體切除術後的管理。研究比較了ChatGPT的回應與2024年專家共識的52項聲明，結果顯示63%的回應與專家意見一致，但有13%的回應差異超過2分，尤其在外科和醫療管理方面。這些不一致性引發了對ChatGPT可靠性的擔憂，強調了在醫療領域中對AI工具的仔細評估和改進的必要性，並呼籲AI開發者、醫療專業人員及監管機構之間的合作。 相關文章 PubMed DOI ♡

這篇系統性回顧探討大型語言模型（LLMs）在心理健康領域的應用，特別是在早期篩檢、數位介入和臨床應用的有效性。回顧分析了2017年到2024年期間的40篇文章，結果顯示LLMs能有效識別心理健康問題並提供電子健康服務，但也存在文本不一致、幻覺現象及缺乏倫理框架等風險。主要挑戰包括需要多語言專家標註的數據、內容可靠性及數據隱私等倫理問題。雖然LLMs不應取代專業服務，但作為輔助工具的潛力值得進一步研究。 相關文章 PubMed DOI ♡

大型語言模型（LLMs）因應用廣泛而受到重視，但其訓練和部署的計算需求也隨之增加。記憶電阻交叉陣列（memristor crossbars）因其小巧和高能效，成為解決方案，特別適合計算機視覺任務。然而，將LLMs部署在此技術上面臨三大挑戰：1. LLM增長超出記憶電阻晶片能力；2. 多頭注意力區塊需非靜態乘法，傳統技術無法處理；3. 複雜非線性運算表現不佳。為解決這些問題，我們提出新架構，能在單晶片上部署LLMs，測試顯示準確度損失極小，並顯著降低能量消耗。 相關文章 PubMed DOI ♡

這項研究評估了ChatGPT在根據病人症狀推薦醫療專科的效果，使用了31,482個標記有27個專科的醫療問題。結果顯示，ChatGPT的準確率為0.939，F1分數為0.134，雖然不及經過微調的韓國醫療BERT（KM-BERT）的準確率0.977和F1分數0.587，但它能提供有價值的解釋，幫助病人理解潛在的醫療狀況。雖然在專科推薦上不如KM-BERT，ChatGPT的對話能力仍可能改善病人獲取資訊的過程。 相關文章 PubMed DOI ♡