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

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

這項研究探討黑人及LGBQ+身份如何影響美國少數群體對HIV陰謀論的信念。調查顯示，黑人LGBQ+人士對這些陰謀論的信念比非黑人異性戀者更強烈。研究指出，對公共衛生機構的信任度低，以及對社交媒體和宗教領袖的依賴，與陰謀論信念有關。特別是，黑人LGBQ+人士對社交媒體的依賴與陰謀論信念的關聯性較弱。這些結果顯示在HIV議題上，需針對健康差異制定有效的溝通策略。 PubMed DOI

這項研究發現，當 HIV 諮詢問題加入種族、性別或性傾向等社會背景時，ChatGPT 給不同族群的建議會有落差，部分回應不夠完整，也缺乏文化敏感度和相關資源。這顯示 AI 回應有偏見，未來需納入更多元資料，才能確保公共衛生資訊的公平性。 PubMed DOI

研究人員用坦尚尼亞HIV診所的資料微調大型語言模型（LLM），來預測哪些病人可能會中斷治療或不遵從醫囑。這個模型比傳統方法更準確，能找出多數高風險病人，還能給出有用的解釋。臨床醫師大多認同模型的判斷。若實際應用，有助於精準介入、提升病人留診率，推動全球HIV治療目標。 PubMed DOI

研究比較多個AI平台（如ChatGPT 3.5/4.0、Google Bard/Gemini、HIV.gov Chatbot）在提供HIV藥物資訊的表現。結果發現，ChatGPT 4.0 回答最完整，HIV.gov Chatbot 最不全面。所有平台都建議諮詢醫師，且普遍認為HIV藥物有效。AI雖能提供方便的資訊，但個人問題還是要找專業醫療人員討論。未來可再研究AI在HIV預防和照護的應用。 PubMed DOI