LLM 相關三個月內文章 / 第 63 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

這項研究探討大型語言模型（LLMs）在分子腫瘤委員會（MTBs）中為癌症患者提供治療建議的應用。研究發現，LLM引用的75%文獻正確來自PubMed，但有17%是錯誤或虛構的。臨床醫生的查詢準確性較高，LLM的25%回應與醫生建議一致，37.5%則提供合理替代方案。雖然LLM能提升MTB會議效率，但仍需醫生的監督以減少錯誤。未來需進一步研究以增強其可靠性。 相關文章 PubMed DOI 推理

健康溝通與推廣在網路上的變化受到科技進步，特別是生成式人工智慧（GenAI）的影響。雖然這些技術為公眾和健康專業人士帶來新機會，但也可能加劇健康差距。文章探討了GenAI在健康推廣中的應用及其挑戰，強調以往網路溝通的局限性，如缺乏即時回應和個性化建議。研究呼籲進一步探討GenAI在公共健康推廣中的實證研究，並強調提升數位素養和社會弱勢群體的科技存取，以減少健康不平等。 相關文章 PubMed DOI 推理

這項研究探討醫療專家與人文學者在辨識醫學生與ChatGPT生成文本的能力。研究於2023年5月至8月進行，35位專家分析了兩篇醫學主題的文本，並被要求找出AI生成的部分。結果顯示，專家們在70%的情況下正確識別AI文本，兩組專家之間差異不大。雖然內容錯誤影響不大，但冗餘、重複和連貫性等風格特徵對他們的判斷至關重要。研究建議未來可在不同學術領域進一步探討，以提升辨識能力。 相關文章 PubMed DOI 推理

這項研究分析大型語言模型（LLMs），特別是GPT-3.5和GPT-4 Turbo，對加熱煙草產品（HTPs）相關社交媒體訊息的情感分析效果。研究分析了1,000則訊息，結果顯示GPT-3.5在Facebook的準確率為61.2%，Twitter為57%；而GPT-4 Turbo則在Facebook達到81.7%，Twitter為77%。即使只用三個回應，GPT-4 Turbo的準確率也可達99%。研究指出，LLMs在分析HTPs討論情感上有效，但不同情感類別的準確性差異可能會影響整體結果，未來需進一步探討。 相關文章 PubMed DOI 推理

這項研究評估了針對青少年心理健康的對話代理（CAs）或聊天機器人的現狀。研究人員找到39篇相關的同行評審文章，發現許多CAs主要是基於專家知識設計，缺乏青少年的意見，且技術仍在早期階段，安全性不足。青少年使用者對CAs在討論敏感話題的可用性表示欣賞，但覺得內容有限。大部分研究未解決用戶數據的隱私問題。這項回顧強調了研究人員、青少年和專家的合作必要性，並呼籲在設計中重視隱私與安全。總體而言，仍需更多研究來驗證這些工具的有效性。 相關文章 PubMed DOI 推理

腦血管疾病是全球第二大死亡原因，對殘疾影響深遠。本研究探討GPT-4在急診科神經科醫師處理急性缺血性中風的有效性，分析其建議與專家意見及實際治療結果的比較。研究回顧100名急性中風患者，結果顯示GPT-4的建議與專家意見高度一致，特別是在血管內血栓切除術方面表現優異。GPT-4在死亡預測上也表現良好，顯示其作為臨床決策支持工具的潛力，但也需注意其建議的侵略性，強調人類監督的重要性。未來需進一步驗證這些發現。 相關文章 PubMed DOI 推理

我們開發了一個新系統，結合人工智慧虛擬代理和三種混合實境視覺化，提升超音波檢查的病人接受度。虛擬助手能與病人自然對話，提供即時解答，增強信任感。三種視覺化方式包括擴增實境（AR）、擴增虛擬環境（AV）和完全沉浸式虛擬實境（VR），讓病人能更舒適地參與檢查。研究結果顯示，病人的信任度和舒適度顯著提升，未來可進一步改善自主醫療體驗。 相關文章 PubMed DOI 推理

這篇評論探討了影響美國醫療保健中大型語言模型（LLMs）公平設計的八項關鍵法規與指導方針，並將公平問題分為語言與文化偏見、可及性與信任、監管與質量控制三大領域。提出的解決方案包括確保多元代表性、使用真實數據評估AI表現、消除歧視、改善英語能力有限患者的可及性、提升工作效率、強制人類監督AI工具，以及確保AI的安全性與隱私尊重。這些措施有助於透過LLMs促進健康公平，解決醫療系統中的差距。 相關文章 PubMed DOI 推理

這項研究探討大型語言模型（LLMs）在生成政治訊息的說服力。研究人員使用24種不同大小的LLMs創造720條關於10個政治議題的訊息，並進行了接近26,000人的大規模調查來評估這些訊息的有效性。結果顯示，較大的模型在說服力上僅比小型模型稍強，且當考慮一致性和相關性等任務完成因素時，模型大小與說服力的關聯性會減弱。總之，僅增加LLMs的大小並不會顯著提升政治訊息的說服力，因為目前的模型已經表現得相當不錯。 相關文章 PubMed DOI 推理

這項研究探討大型語言模型（LLMs）在分析全球健康調查自由文本回應的有效性，特別針對2020至2023年的疫苗覆蓋調查數據。研究測試了多種LLM技術，發現準確率介於61.5%到96%之間，微調或少樣本學習能顯著提升表現。結果顯示，LLMs能增強數據分析能力，並為全球健康組織提供可擴展且具成本效益的解決方案。儘管面臨挑戰，這項研究強調了LLMs在改善數據分析和指導健康政策方面的潛力。 相關文章 PubMed DOI 推理