這項研究比較了AI聊天機器人ChatGPT和混合式摘要系統在整合藥物文獻方面的表現。ChatGPT能夠產生連貫但缺乏證據支持的摘要，而混合系統提供結構化但流暢度較差的摘要。建議是結合兩種方法以達到最佳效果。 PubMed DOI

LLMs（如GPT-3.5和ChatGPT）在各種任務上表現逐漸提升，包括醫學證據摘要。然而，自動評量不一定準確，人類評估發現LLMs有時會產生不準確或誤導性的摘要，尤其在醫學領域。這些模型在識別關鍵信息和處理長文本時仍有改進空間。 PubMed DOI

研究發現利用大型語言模型（LLMs）總結電子健康記錄（EHR）有助於減輕臨床文件負擔，提升臨床醫生專注於個性化患者護理。研究指出最佳適應的LLMs在完整性和正確性方面優於人工摘要，但也面臨挑戰，需要進一步改進。 PubMed DOI

機器學習在疾病監測方面有潛力。研究顯示，BARTcnn模型在臨床報告表現最佳，GPT3davinci在PubMed案例報告表現優異。雖未達臨床標準，但BARTcnn模型適合實際應用。持續改進NLP模型可提升臨床效率。 PubMed DOI

遠距醫療在 COVID-19 時期大受歡迎，讓人們可以線上看醫生。研究發現大型語言模型如GPT-3對醫療對話摘要有幫助。雖然BART模型表現較佳，但專家更喜歡ChatGPT。GPT-3.5在撰寫易懂醫療摘要方面有潛力，但評估指標或許需調整。 PubMed DOI

研究發現ChatGPT在總結醫學文章方面表現不錯，摘要品質高且無偏見。雖然在文章分類上有挑戰，但對家庭醫師閱讀有幫助。重要醫學決策仍需全面評估研究內容。 PubMed DOI

研究比較了不同大型語言模型在放射學自動摘要生成的效果，重點在於準確的摘要對準確傳達放射學發現至關重要。研究使用T5和BART模型進行微調和零-shot學習，並與RNN進行比較。結果顯示，T5模型在Rouge-L分數達到0.638，且人類評判顯示T5生成的摘要與專業放射科醫師相似度高達70%。研究指出，自然語言處理和語言模型技術的進步有助於提升放射學摘要生成工具，對放射科醫師的工作有所助益。 PubMed DOI

文本摘要在各領域都很重要，像ChatGPT這樣的語言模型能自動化這過程。研究比較ChatGPT生成的摘要與FDA專家摘要，發現相似度高，尤其在藥物安全資訊。顯示ChatGPT有助加速藥物安全等關鍵領域的工作。 PubMed DOI

LLMs在臨床試驗文件生成上有潛力。輝瑞挑戰使用LLMs自動化臨床試驗文件，尤其是為CSRs創建安全表摘要。評估顯示性能差異，特別是在事實準確性和寫作風格方面。團隊多使用GPT模型，改進方向包括表格輸入、上下文添加和微調。挑戰結果顯示LLMs在自動化CSRs中表格摘要有潛力，強調需優化人類輸入和持續研究。 PubMed DOI

這項研究探討微小RNA（miRNA）與信使RNA（mRNA）之間的互動，並強調從PubMed文章中提取這些互動的挑戰。研究人員建立了一個miRNA-mRNA互動語料庫（MMIC），並評估了多種機器學習和大型語言模型的表現。結果顯示，PubMedBERT在精確度和召回率上表現最佳，達到0.783。而Llama-2在零樣本和三樣本實驗中也有不錯的表現，特別是在召回率上優於其他模型，但在精確度上仍需改進。這顯示Llama-2在提取miRNA-mRNA互動方面具有潛力。 PubMed DOI