全球對抗HIV取得進展，但仍有挑戰。為解決問題，需改善公共衛生，並考慮社會因素。醫護人員應瞭解情勢，持續努力對抗HIV。 PubMed DOI

未經診斷和治療的HIV感染可能導致健康問題增加和病毒傳播。有人提出利用機器學習方法結合結構化數據來改善HIV診斷，但最近缺乏使用來自電子健康記錄（EHRs）的非結構化文本數據的提案。這項研究建議使用臨床註記的非結構化文本來將患者分類為懷疑或非懷疑患有HIV。通過分析真實的臨床註記，兩個大型語言模型（LLMs）在識別懷疑HIV病例方面表現優於傳統的機器學習算法，在不平衡數據集中的F1分數為94.7，在平衡數據集中為95.7。在生物醫學領域利用LLMs的非結構化文本顯示出改善HIV診斷並減少早期檢測機會被忽略的潛力。這個系統可以幫助醫生在診療期間決定哪些患者應接受HIV檢測。 PubMed DOI

本研究探討五年聯合抗逆轉錄病毒療法（cART）對HIV感染者（PLWH）在代謝和炎症方面的影響，並與未感染者比較。結果顯示，PLWH的SIRT-6、IRS和IL-4水平顯著高於對照組，而RANTES和IL-7則較低。此外，SIRT-6、PYY、GLP-1和PTX3在治療後的水平也顯著上升。這些變化顯示cART對PLWH的代謝和炎症參數有顯著影響，未來需進一步研究其臨床意義及HIV相關共病情況。 PubMed DOI

這項研究旨在改善黑人順性別女性在HIV暴露前預防（PrEP）使用的情況。儘管PrEP效果顯著，但這群人卻面臨護理不足、醫療不信任和污名化等障礙。護理師在推廣PrEP方面扮演重要角色，但也面臨資源不足的挑戰。研究計畫將分為探索、開發和評估三個階段，並透過AI聊天機器人促進溝通，確保數據隱私。此倡議希望減少PrEP護理障礙，創造無污名環境，並解決健康差異問題。研究結果可能成為解決健康不平等的可擴展模型。 PubMed DOI

這項研究探討了ChatGPT 3.5和4.0在提供HIV相關指導時，如何受到種族、族裔、性取向和性別認同的影響，並分析了對污名和歧視的提及。研究人員收集了300個回應，發現ChatGPT 4.0更能認同HIV相關的歧視，特別是針對黑人、西班牙裔、LGBTQ+和跨性別者，並涵蓋了肯定身份、專業護理和社會支持等主題。這些結果強調了評估AI技術在減少健康差異方面的重要性。 PubMed DOI

這項研究分析了大型語言模型（LLMs）生成的醫療專業人員故事中的性別表現，涵蓋了6,000個故事。研究發現，98%的護士被稱為「她」，而女性醫生的性別代名詞使用比例從50%到84%不等，外科醫生則在36%到80%之間。性格特徵如宜人性和責任感與女性醫生的表現有關，而職業資歷也影響性別表現。研究強調了在醫療角色中確保性別表現公平的重要性，呼籲LLM開發者持續更新模型，以反映多樣化的勞動力。 PubMed DOI

這項研究探討了英國Covid-19疫情期間女性健康不平等的惡化，採用跨學科的方法，結合健康、女性主義及基礎設施地理的觀點。研究利用網路檔案和數據分析技術，分析疫苗、社會少數群體及女性自我照護等主題。結果顯示，疫情複雜地加劇了女性和女孩的健康不平等，並強調了數位健康基礎設施的重要性，建議從地理危機的角度考量公共衛生準備。 PubMed DOI

這項研究利用自然語言處理技術，檢測和分類重症監護電子健康紀錄中的污名化和偏見語言。研究團隊建立了一個詞彙表，並分析了MIMIC-III數據集中的1800萬句子。經過專家標註後，開發的監督式學習分類器在識別懷疑標記和污名化標籤方面表現優異，準確率達0.87。研究顯示，這種自動識別技術有助於了解醫療文本中的污名化語言，並可為改善醫療環境提供參考。 PubMed DOI

印尼的HIV疫情快速增長，面臨地理和社會文化挑戰。研究探討將大型語言模型（LLMs）與遠程醫療（TH）結合，以提升護理質量和降低成本。根據PRISMA-ScR指導方針，回顧2017至2024年間的文獻，發現12項研究符合標準。雖然已有關於電子健康干預的研究，但LLM與TH整合的文獻仍不足。提出的藍圖強調在分診、病史採集和病人教育中安全整合LLM-TH，顯示其在印尼HIV護理中的潛力，儘管面臨技術可及性和實證驗證的挑戰。 PubMed DOI

乙型肝炎（HBV）影響全球約2.54億人，中國病例比例相當高。HBV的污名化使得人們獲得檢測和治療變得困難。本研究分析了中國醫友論壇的35,697則帖子，探討污名化與認知扭曲的關聯。結果顯示，與污名相關的帖子中，認知扭曲的出現率是非污名帖的1.8倍，特定扭曲如否定正面和標籤化更為常見。研究建議認知行為療法（CBT）可有效減少這些扭曲及其心理影響，並強調先進計算技術在心理學研究中的應用。 PubMed DOI