LLM 相關三個月內文章 / 第 80 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

這項研究探討如何在大型語言模型中處理類別不平衡，以預測患者接受全膝關節置換術（TKA）的情況。研究人員使用ARCHERY專案的數據，訓練GatorTron模型，並比較了標準模型、類別加權和多數類別下採樣三種方法。在7,707份報告中，只有11.8%的患者接受TKA，顯示類別不平衡的問題。結果顯示，類別加權在少數類別的識別和校準上表現最佳，對於開發高效的AI模型在創傷與骨科領域非常重要。 相關文章 PubMed DOI 推理

這項研究評估了骨科手術的線上病患教育材料（OPEMs）的可讀性，結果顯示這些材料的可讀性都超過建議的六年級水平，無論是英文還是西班牙文。研究針對六種常見手術，分析了57份英文和56份西班牙文的OPEMs，並使用五種可讀性測試。經過ChatGPT重寫後，英文OPEMs的可讀性從9.6降至7.7，西班牙文則從9.5降至8.3，且字數、複雜詞彙和長句子都有明顯減少，準確性仍然保持。這顯示人工智慧工具能有效提升OPEMs的可讀性，讓病患更容易理解。 相關文章 PubMed DOI 推理

這項研究比較了大型語言模型（LLM）ChatGPT與人類面試官在對6到8歲兒童進行模擬訪談的效果。78名兒童中，40名由LLM訪談，38名由人類面試官訪談。結果顯示，無論是LLM還是人類，建議問題都能引導出更準確的信息。雖然LLM提問較少，但獲得的獨特正確信息更多，且錯誤信息較少。這顯示LLM能提出符合兒童訪談最佳實踐的問題，未來仍需進一步研究其在實際情境中的應用。 相關文章 PubMed DOI 推理

本研究探討生成預訓練變壓器（ChatGPT）在放射影像中分類股骨轉子周圍骨折的準確性。研究結果顯示，ChatGPT能根據修訂的AO/OTA分類系統將骨折分為穩定（A1）和不穩定（A2），其分類一致性（κ = 0.420）與骨科醫生相似，顯示中等可靠性。這表明ChatGPT可有效整合進臨床工作流程，並在數據收集上需求較低，對醫療應用具潛力。 相關文章 PubMed DOI 推理

EHRAgent是一個新提議的大型語言模型，旨在提升從電子健康紀錄（EHR）中檢索病人資訊的效率。臨床醫生常覺得這過程繁瑣且緩慢，通常需要數據工程師的協助。EHRAgent透過自然語言讓醫生自主生成和執行代碼，簡化查詢過程。它將複雜查詢分解為簡單動作，並結合醫學知識來提取正確紀錄。實驗顯示，EHRAgent在三個真實EHR數據集上成功率提升29.6%，顯示其在處理複雜臨床任務的有效性。 相關文章 PubMed DOI 推理

這項研究介紹了PromptLink，一個新框架，用來連結不同數據來源的生物醫學概念，解決命名慣例不同的問題。傳統方法如字串匹配和機器學習有其限制，而PromptLink則利用大型語言模型（LLMs）生成候選概念，並透過兩階段提示過程進行連結。第一階段提取生物醫學知識，第二階段則精煉預測以提高可靠性。實證結果顯示，PromptLink能有效連結電子健康紀錄和生物醫學知識圖譜的概念，且不需額外的先驗知識或訓練數據，源代碼已在GitHub上公開。 相關文章 PubMed DOI 推理

在當前數位時代，準確辨識氣候資訊的真偽非常重要，因為錯誤資訊會影響公眾認知和政策決策。本研究針對氣候聲明的事實查核挑戰，提出了Climinator，這是一個利用大型語言模型的工具。Climinator整合權威來源，透過獨特的辯論框架來增強自動化查核能力，提供可信且具上下文的分析。它能即時偵測錯誤資訊，促進有關氣候變遷的討論，展現人工智慧在環境對話和政策制定中的潛力。 相關文章 PubMed DOI 推理

這項研究探討了ChatGPT 4在透過書面文本評估人格特質的有效性，使用了兩個公開數據集，包含文本和基於五大人格模型的自我評估。研究目的是評估ChatGPT 4在十一點量表上預測人格特質的準確性，並與作者的自我評估進行比較。結果顯示，ChatGPT 4能中等程度推斷人格特質，但在判斷輸入適當性方面有困難。研究建議改進基準測試方法，以提升評估過程，並強調大型語言模型在人格評估中的潛力。 相關文章 PubMed DOI 推理

這項研究探討物聯網（IoT）和人工智慧（AI）在公共醫療中的應用，特別是針對乾眼症的檢測與管理。研究利用 OpenAI GPT-4.0 和 ERNIE Bot-4.0 API，分析 5,747 例模擬病人的投訴，並使用 BERT 模型將案例分類為緊急與非緊急。結果顯示，準確率從 80.1% 提升至 99.6%，但回應時間增加，導致用戶滿意度下降（從 95.5 降至 84.7），醫療質量滿意度卻上升（從 73.4 增至 96.7）。這強調了準確性與用戶滿意度之間的平衡，未來應優化提示結構以提升系統性能。 相關文章 PubMed DOI 推理

本研究探討如何透過檢索增強生成（RAG）提升大型語言模型（LLMs）對臨床指引的遵循性，特別針對加拿大放射學指引中的肝膽系統發現。研究建立自訂RAG架構，測試GPT-4o和o1-mini兩個模型，分析遵循率、可讀性及反應時間。結果顯示，啟用RAG後，GPT-4o遵循率從81.7%提升至97.2%，o1-mini則從79.3%提升至95.1%。RAG模型在可讀性上有所改善，反應時間略長但仍可接受。此方法顯示增強基於證據的護理潛力，值得在臨床中進一步驗證。 相關文章 PubMed DOI 推理