ChatGPT是一種先進的語言模型，可以回答各種問題而不需要特定訓練。人們對於在醫療保健領域使用這些大型語言模型感到興奮和擔憂。本文討論了LLMs在臨床設置中的應用，探討了它們的優勢、限制和提升醫學效率的潛力。對於想要在醫療保健中使用LLM技術的臨床醫師，本文提供了評估其對患者和醫護人員好處的指南。 PubMed DOI

藥局藥物指示錯誤可能危害患者安全。研究介紹了MEDIC系統，運用大型語言模型降低錯誤風險，專注於處方關鍵臨床部分。經LLM微調後，MEDIC在偵錯能力優於其他。實際測試顯示，MEDIC可減少近失事件33%，結合LLM與專業知識可提升藥局運作精確度與效率。 PubMed DOI

研究探討大型語言模型在醫學上的應用，分析了550篇相關研究。LLMs已經在醫學診斷、寫作、教育和管理方面帶來改善。它們有助於起草文件、培訓和研究。挑戰在於上下文和過度依賴。研究強調了與驗證、倫理和傳統實踐的整合。未來研究應該探索多模式LLMs、算法理解和負責任使用。 PubMed DOI

研究發現使用大型語言模型（LLMs）可以提升美國FDA發布的藥物安全通訊易讀性，讓患者更容易理解。透過ChatGPT 4.0©和Gemini©等LLMs，將閱讀難度下降至六年級水準，保持準確性和重要訊息。顯示LLMs有助於簡化健康資訊，但仍需進一步研究應用在不同語言和真實情境中的患者。 PubMed DOI

研究評估了大型語言模型在醫療保健領域的應用，尤其是在改善患者護理方面。使用MIMIC-III數據庫的電子健康記錄，測試了這些模型在識別特定疾病患者方面的效能。GPT-4在辨識COPD、CKD、PBC和Cancer Cachexia患者方面表現優異，而ChatGPT和LLaMA3則稍遜。儘管LLMs有潛力，但在臨床應用前仍需解決錯誤、解釋不足和倫理問題。進一步研究將有助於提升模型訓練和設計，以更好地應用於醫療保健。 PubMed DOI

新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 PubMed DOI

這篇論文探討大型語言模型（LLMs）在電腦媒介臨床諮詢中的應用潛力，涉及醫生、電子健康紀錄（EHR）系統和病人。儘管自然語言處理（NLP）已有進展，但EHR中的自由文本數據尚未被充分利用。LLMs擅長理解和生成自然語言，能有效處理臨床對話。論文建議透過針對特定任務的預訓練和微調，醫療提供者可利用自由文本來識別病人安全問題、支持診斷，並改善臨床互動。作者認為，微調的LLMs結合提示工程，能提升初級護理諮詢的效率與效果。 PubMed DOI

這項研究評估了ChatGPT-4在社區藥局的表現，包括藥物資訊檢索、標籤錯誤識別、處方解讀及決策支持等。結果顯示，ChatGPT對藥物查詢的回應相當滿意，能引用正確的藥物數據，並成功識別標籤錯誤。在臨床情境中，其建議與藥師相當，特別是在藥物反應評估和健康建議方面。研究指出，ChatGPT可能成為社區藥局的有用工具，但仍需進一步驗證其在不同查詢和病人群體中的有效性及隱私問題。 PubMed DOI

這篇文章探討了人工智慧，特別是像ChatGPT這樣的大型語言模型在急診醫學和重症護理中的重要角色。它提到ChatGPT在診斷支持、臨床文檔和病人溝通等方面的應用，並指出其表現可與人類專業人士媲美。文章也強調了它在臨床決策和藥物選擇中的潛力，能提升病人護理品質。不過，將這些模型應用於醫療也帶來法律、倫理和隱私等問題，需持續研究和監管以確保其負責任的使用。 PubMed DOI

這項研究系統性回顧了生成性大型語言模型（LLMs）在臨床環境，特別是電子健康紀錄（EHRs）的應用。儘管自然語言處理技術進步，LLMs在臨床實踐中的整合仍有限，面臨多重挑戰。研究分析了自2023年以來的76篇相關文獻，發現包括提示工程的使用、少數多模態數據的應用、評估指標的多樣性，以及臨床決策中的偏見和幻覺等問題。未來需改進計算技術和標準化評估，以提升LLMs在醫療中的可靠性。總之，LLMs在病人護理上有潛力，但仍需克服重大障礙。 PubMed DOI