LLM 相關三個月內文章 / 第 93 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

人工智慧（AI）即將徹底改變臨床研究，特別是在胃腸科方面。透過提升研究準備和數據解讀，AI 工具能加速文獻搜尋、簡化數據收集與分析，並協助研究格式化，讓臨床研究更有效率。目前已有多種 AI 應用被開發和測試，未來也會有更多新應用出現。本文將探討 AI 在胃腸科臨床研究中的角色，特別是對藥物發現的影響，以及需要進一步指導的領域，以優化其應用和理解。 相關文章 PubMed DOI 推理

機器學習，特別是大型語言模型（LLMs），越來越受到重視，能協助健康研究中的系統性回顧（SR）。研究團隊在多個資料庫中搜尋，自2021年4月以來共找到8,054個結果，並手動補充33篇，最終納入37篇專注於LLM應用的文章。分析顯示，LLMs在SR的13個步驟中使用了10個，最常見的應用為文獻搜尋、研究選擇和數據提取。雖然LLMs顯示潛力，但許多應用尚未經過驗證，顯示出這一領域的研究需求日益增加。 相關文章 PubMed DOI 推理

這篇文章探討了傷口癒合敷料材料的研究，運用網絡分析和自然語言處理技術，並結合大型語言模型進行分析。研究涵蓋多個領域，透過OpenAlex數據庫搜尋相關文獻，建立引用網絡以識別主要主題。結果顯示，這個領域在北半球，特別是中國和美國，增長顯著。常見材料包括紗布、水膠、幾丁糖水凝膠等，重點在於它們的抗菌特性及在燒傷和糖尿病傷口治療中的應用。 相關文章 PubMed DOI 推理

生成式人工智慧和大型語言模型（LLMs），如GPT-4，對臨床醫學和認知心理學影響深遠。這些模型在理解和生成語言方面表現優異，能改善臨床決策和心理諮詢。雖然LLMs在類比推理和隱喻理解上表現良好，但在因果推理和複雜規劃上仍有挑戰。本文探討LLMs的認知能力及其在心理測試中的表現，並討論其在認知心理學和精神醫學的應用、限制及倫理考量，強調進一步研究的重要性，以釋放其潛力。 相關文章 PubMed DOI 推理

這項研究探討了人工智慧，特別是大型語言模型（LLMs），在模擬隨機臨床試驗中對癲癇藥物cenobamate的應用。試驗包含240名患者，分為安慰劑組和全劑量藥物組。AI能準確分析臨床筆記，評估藥物的療效與安全性，結果顯示AI分析與人類分析相近，僅在療效識別上有小差異。這顯示AI在未來臨床研究中具備高效且可擴展的潛力，能減少對傳統數據挖掘方法的需求。 相關文章 PubMed DOI 推理

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