LLM 相關三個月內文章 / 第 82 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

這項研究介紹了GRASP，一種基於變壓器的模型，旨在利用電子健康紀錄（EHR）數據來提升疾病預測的準確性。透過將醫療代碼整合進大型語言模型，GRASP能有效預測21種疾病及全因死亡率，並在多個醫療系統中表現優異。訓練於英國生物銀行的GRASP，在FinnGen和西奈山醫院的測試中，C指數分別提升了83%和35%。即使數據集未統一，GRASP仍能準確預測疾病風險，顯示出其在不同醫療系統中可靠的應用潛力。 相關文章 PubMed DOI 推理

這項研究探討了大型語言模型 ChatGPT 在解釋癲癇發作的臨床表現，以定位藥物抗性局部癲癇患者的癲癇病灶區的有效性。準確的病灶區定位對外科治療至關重要。研究比較了 ChatGPT 與癲癇專家的表現，使用了852組公開數據和184組台灣私有數據。結果顯示，ChatGPT 在額葉和顳葉的敏感性高達80-90%，且在常見病灶區的表現顯著優於專家。總體而言，ChatGPT 可成為癲癇術前評估的有用工具，未來隨著技術進步，其可靠性和有效性有望提升。 相關文章 PubMed DOI 推理

這項研究探討如何利用大型語言模型（LLMs）預測慢性下背痛患者的安慰劑反應者，透過分析患者的訪談內容。安慰劑效應是指患者因期待而從無效治療中獲得疼痛緩解，了解影響因素對非藥物疼痛管理很重要。研究者重新分析了兩項臨床試驗的數據，開發的預測模型在新數據上的準確率達74%。結果顯示，LLMs能揭示與安慰劑反應相關的心理社會因素，並識別情緒相關的語言模式，為理解治療結果中的生物心理社會因素提供新視角。 相關文章 PubMed DOI 推理

生成式人工智慧工具如ChatGPT的興起，讓人對傳統高等教育的評估方式產生疑慮。這些工具能輕鬆完成論文和選擇題，挑戰了評估的公正性。因此，尋找替代的評估策略變得非常重要，這些策略仍能有效評估學生對基礎知識的理解和記憶。這個議題對生物醫學科學家的專業註冊及其教育者特別重要，影響也擴及整個高等教育領域。 相關文章 PubMed DOI 推理

這段文字探討了深度學習人工智慧在放射學和核醫學的潛力，指出它在診斷影像的速度、準確性和可靠性上可超越人類專家。不過，作者也提到人工智慧的限制，特別是在治療決策中，因為它缺乏真正的理解和情感。文中提倡將人工智慧工具與核醫師的直覺結合，提升病人照護，並保持同理心和責任感，最終目標是創造符合病人需求的個人化治療策略。 相關文章 PubMed DOI 推理

這項研究評估了ChatGPT-4和Bing Chat對34個青光眼常見問題的回應，重點在適當性、準確性和可讀性。結果顯示，ChatGPT-4的適當回應比例為88.2%，高於Bing Chat的79.2%。兩者在準確性上差異不大，ChatGPT-4略高（3.86），Bing Chat為3.70。可讀性方面，兩者的回應對一般美國成年人來說都較難理解，ChatGPT-4的字數平均為316.5，明顯高於Bing Chat的61.6字。總體而言，雖然兩者都提供適當回應，但ChatGPT-4的回應較複雜且可讀性較低。 相關文章 PubMed DOI 推理

這項研究評估了GPT-4和PaLM2兩個大型語言模型在分析偏頭痛文獻的有效性，特別是針對偏頭痛藥物的臨床試驗摘要進行情感分析。由於偏頭痛影響超過十億人，且新研究不斷出現，需有效分析相關資訊。研究從FDA批准的藥物中提取名稱，並使用PubMed的相關標題進行摘要識別。結果顯示，兩個模型對藥物的正面評價與現有治療指導一致，建議這些模型可作為提升偏頭痛研究文獻回顧效率的工具。 相關文章 PubMed DOI 推理

醫學生常面臨高壓、睡眠不規律和疲勞等問題，影響身心健康。為了解決這些困擾，PROMESS-Sleep 臨床試驗計畫透過三個階段的睡眠管理，幫助醫學生改善睡眠。計畫包括與睡眠專家的個別會議、自我照護教育及個人化目標設定。研究將評估45名里昂東醫學院四、五年級醫學生的睡眠和疲勞情況，主要結果為匹茲堡睡眠品質指數（PSQI）分數變化。研究已獲倫理批准，並將在科學會議及期刊上分享，期望成為醫學教育中促進健康的可持續方案。 相關文章 PubMed DOI 推理

您的提案提出了一種創新的方法，結合自然語言處理（NLP）技術與神經影像數據，來改善精神病診斷。計畫使用ChatGPT進行互動式病人訪談，捕捉傳統方法可能忽略的情感與心理洞察，並創建特徵矩陣，結合4D fMRI數據，讓神經網絡預測精神病診斷。結果顯示準確率達85.7%，顯著優於傳統方法，並且統計驗證支持其有效性。這種整合方式不僅提升診斷精確性，還有潛力改變臨床實踐，但仍需進一步研究以擴展至不同人群。總體而言，這是精神病診斷領域的一個有前景的進展。 相關文章 PubMed DOI 推理

這項研究探討了兩款AI聊天機器人，ChatGPT和Perplexity AI，在診斷不同類型的發聲障礙（有機性、功能性和神經性）的效果。第一個實驗中，37名患者的聲音自我評估和聲學分析結合使用；第二個實驗則僅用27名患者的聲學分析。結果顯示，ChatGPT雖提供指導，但未進行數據分析，而Perplexity AI在第一個實驗中與專家診斷的吻合度為0.773，但第二個實驗僅為0.067，顯示缺乏顯著性。研究認為目前AI在臨床診斷發聲障礙方面尚不成熟，未來需進一步研究以提升其潛力。 相關文章 PubMed DOI 推理