研究比較了大型語言模型ChatGPT和眼科住院醫師在診斷青光眼的能力，發現ChatGPT在診斷青光眼方面表現相當甚至更好。經進一步發展，ChatGPT有潛力應用於臨床，快速且客觀地診斷青光眼患者。 PubMed DOI

最新研究發現，人工智慧如ChatGPT-4在屈光手術領域有潛力，可幫助分類患者。研究顯示ChatGPT-4與醫師的判斷相當一致，但仍有限制，如樣本量小、依賴單一評定者及輸出變異性。未來需進一步研究，確保大型語言模型如ChatGPT-4在醫療決策中的準確性與適用性。 PubMed DOI

研究發現ChatGPT在預測糖尿病視網膜病變風險上表現一致，但與臨床診斷僅有一般性一致。敏感度為67-73%，特異度為54-68%。建議ChatGPT可作為初步篩檢工具，但仍需進一步改進以供臨床應用。 PubMed DOI

眼科醫師教育患者時間短，用ChatGPT製作神經眼科疾病資料。QGLOP評估資料準確性、偏見、時效性、語氣，平均滿意度74.4%。資料可讀性超過8年級，ChatGPT可生成眼科醫師修改初稿。 PubMed DOI

研究發現ChatGPT對青光眼相關知識表現準確。比較眼科網站、社群媒體及歐洲青光眼學會指南，發現ChatGPT在一般知識、診斷、治療及預防方面表現優異。尤其根據歐洲青光眼學會指南，ChatGPT回答大部分問題都正確。 PubMed DOI

研究評估 ChatGPT 利用眼壓治療研究數據預測青光眼轉變能力。使用參與者參數轉換成 ChatGPT 文本查詢，ChatGPT4.0 預測準確率達75%，AUC為0.67，敏感度56%，特異度78%，加權 F1 分數0.77，優於ChatGPT3.5。研究顯示大型語言模型如ChatGPT在青光眼研究和臨床護理有潛力，尤其是結合眼科學和多模態數據、主動學習技術。 PubMed DOI

研究發現ChatGPT在與青光眼患者溝通時，回應較複雜且少用眼科術語，可能讓患者難以理解。建議醫護人員應確保溝通清晰易懂，使用更簡單的用語，例如「看眼科醫師」。 PubMed DOI

研究測試了ChatGPT-4在未經訓練下，辨識青光眼的能力，結果顯示準確率達90%，敏感度50%，特異度94.44%。顯示先進AI技術在眼科等醫學領域有潛力，或許能省時省力，提供新診斷工具，特別對資源不足的環境有幫助。 PubMed DOI

這項研究評估了大型語言模型（LLM）ChatGPT 在青光眼領域的表現。研究人員提出了24個臨床問題，並由三位專家評分。結果顯示，ChatGPT的平均得分為3.29，整體表現良好，但有29.2%的回應得分低於3分。經過自我修正後，得分從2.96提升至3.58，滿分回應比例也從30.6%增至57.1%。這顯示ChatGPT在青光眼領域有潛力，但仍需更多研究來驗證其應用。 PubMed DOI

這項研究評估了ChatGPT（4.0版）在生成與常見視網膜疾病相關回應的表現，依據美國眼科醫學會的指導方針進行。研究包含130個問題，涵蓋12個領域，專家評估回應的相關性和準確性。結果顯示，ChatGPT的平均得分為4.9分，與指導方針高度一致，但外科管理得分最低。回應可讀性較低，需大學以上理解能力，且在診斷和治療選擇上有錯誤。整體而言，雖然顯示潛力，但仍需臨床醫師監督及改進。 PubMed DOI