社會健康決定因素（SDoH）對病人的結果很重要，但常常沒有完整記錄在電子健康紀錄（EHRs）中。大型語言模型（LLMs）可以幫助從EHRs中提取SDoH數據。研究專注於從EHR敘述文本中提取六個SDoH類別。最佳模型是Flan-T5 XL，對任何SDoH提及進行微調，以及Flan-T5 XXL，對不良SDoH提及進行微調。合成數據提高了性能，尤其對較小的模型。這些模型在零次和少次訓練情況下優於ChatGPT模型，並在添加種族/族裔和性別描述詞時表現較少偏見。這些模型識別出比ICD-10代碼更多具有不良SDoH的病人，突顯了它們在改善有關SDoH的真實世界證據並識別需要支持的病人方面的潛力。 PubMed DOI

強調解決社會健康決定因素的重要性，特別是在COVID-19大流行時，以改善健康結果、減少健康不平等。討論數位健康和人工智慧在應對社會健康決定因素、增強疾病監測和病人照護的角色，如LLMs。提及數據標準化、基礎設施限制、數位素養和演算法偏見等挑戰，可能影響AI好處的公平獲取。建議採取多層次的數位包容作為社會健康決定因素的一部分，並全球性需要倫理AI框架，確保負責任的AI實踐。提出建議，彌合公平AI技術開發和實施之間的差距。 PubMed DOI

LLMs（例如GPT和BERT）在醫療保健領域有應用潛力，但也帶來偏見、隱私擔憂和道德困境。研究指出，使用變壓器模型可提高效率，但也帶來挑戰，如偏見、可審計性和隱私風險。醫療專業人員需要具備專業知識，面對道德困境，並可能影響患者護理中的人際互動。必須進行全面培訓以因應系統操作和數據解釋的需求。 PubMed DOI

LLMs或許能改善醫療服務，但對健康公平的影響尚不明朗。本文探討了LLMs在國家少數民族健康與健康差距研究中的應用，以促進健康公平。討論了LLMs如何提升健康公平，也提到了新興問題，如偏見數據和隱私問題。建議在LLMs的開發和應用中應優先考慮健康公平。 PubMed DOI

研究團隊開發了SODA自然語言處理套件，可從臨床故事中擷取健康社會決定因素（SDoH），並檢視不同族群和性別中的偏見，以及不同疾病群體的適用性。他們利用佛羅里達大學健康部門的臨床註記建立SDoH語料庫，並與基於轉換器的語言模型進行比較。SODA在癌症和阿片使用患者中的SDoH擷取表現良好，但在不同疾病和族群/性別中有些差異。該套件在擷取SDoH概念和屬性方面準確度高，性別表現稍有不同，而種族間則有明顯變化。研究指出，微調模型以疾病特定數據可提升效能。SODA是一個開源工具，可用於從臨床故事中擷取SDoH。 PubMed DOI

社會健康決定因素（SDoH）對健康影響很大，其中住房穩定性至關重要。電子健康記錄（EHRs）中包含有用的SDoH資訊，但常為非結構化，需要透過自然語言處理（NLP）進行分析。新的NLP技術如GPT-4能有效辨識住房不穩定性，雖然在偵測上有高召回率，但精確度較低。LLMs提供擴展且成本效益高的解決方案，同時召回率也較高。結合LLMs和人工審查可提高數據分析效率，支持醫療系統提供更主動的病人護理。 PubMed DOI

研究專注於從電子健康記錄中提取社會健康決定因素，以改善健康公平。研究建立跨機構數據集，開發分類模型，包括大型語言模型，從不同醫療機構的臨床註釋中檢測SDoH因素。研究發現不同病人群、註釋類型和醫院有不同的SDoH記錄實踐和標籤分佈。LLM在辨識SDoH因素方面表現最佳，但在跨數據集泛化上仍有挑戰。為促進合作，研究提供了PhysioNet存儲庫上的註釋數據集和模型訪問權。 PubMed DOI

醫療專家不足是個大問題，但機器學習可輔助篩檢和診斷。建立龐大且具代表性的資料集成本高，因此使用大型語言模型生成自閉症相關行為的合成範例。目標是透過標記符合自閉症標準的行為提高模型準確性。評估顯示，合成資料有高比例的正確行為範例-標記對。增加資料集可提高召回率，但會降低精確度。未來研究將探討合成資料特徵對機器學習結果的影響。 PubMed DOI

大型語言模型(LLMs)在臨床決策中或許有好處，但目前還不適合實際醫療使用。一項研究指出，LLMs在真實病例中無法正確診斷、無法遵循指引、難以解釋檢驗結果，且難以整合到臨床流程中，可能危害患者健康。需要更多研究以改進LLMs在臨床決策的應用。 PubMed DOI

這項研究評估大型語言模型（LLMs）在社交媒體健康相關文本分類的表現，並比較了不同模型的效果。結果顯示，基於人類標註數據的模型如RoBERTa和BERTweet表現優於基於GPT-3.5和GPT-4的模型。雖然LLM可用於數據增強，但僅依賴LLM標註數據訓練效果不佳。研究指出，LLM作為零樣本分類器能有效減少假陰性，並減輕手動標註負擔，顯示其在特定領域自然語言處理的潛力。 PubMed DOI