研究比較了OpenAI的GPT-4與人類專家在心臟病學建議的醫學準確性。結果發現，GPT-4和人類專家在醫學準確性上差不多，人類專家在高準確性回答上表現較好，但也有更多低準確性回答。GPT-4回答較長，用詞較少多樣，可能有助於一般人理解。然而，人類專家在藥物資訊和初步診斷等特定問題上表現更好，顯示GPT-4在臨床判斷上有限。雖然GPT-4在自動醫學諮詢有潛力，但需改進整合臨床推理，確保安全使用。進一步研究探索大型語言模型在醫學領域的潛力是必要的。 PubMed DOI

本研究評估了兩個大型語言模型（LLMs），GPT-4o 和 Gemini 1.5 Pro，在微生物分類的視覺準確性。測試中，GPT-4o 對 *Clostridium perfringens*、*Pseudomonas aeruginosa* 和 *Staphylococcus aureus* 的識別準確率達100%，而 Gemini 1.5 Pro 的準確率則為45%、100%和95%。兩者在識別 *Neisseria gonorrhoeae* 時均表現不佳。總體來看，GPT-4o 在識別上持續優於 Gemini 1.5 Pro，但目前這些模型尚不適合臨床微生物學應用，需進一步研究以提升其有效性。 PubMed DOI

抗微生物抗藥性對全球公共健康造成重大挑戰。本研究評估了AI語言模型ChatGPT^®在抗生素處方上的表現，並與傳染病專家比較。研究創建了100個模擬病人案例，結果顯示ChatGPT^®與專家在抗生素處方上達成一致的有51個案例，Cohen's kappa係數為0.48，顯示中等一致性。在抗藥性機制方面，雙方一致的有42個案例，kappa係數為0.39，顯示公平一致性。整體而言，ChatGPT^®在抗生素管理上的一致性較差。 PubMed DOI

抗微生物抗藥性是全球健康的重要議題，亟需創新策略來改善抗生素管理。AI 聊天機器人，特別是大型語言模型，能協助臨床醫師優化抗生素治療。本研究回顧了過去五年相關文獻，發現AI 聊天機器人能提供抗生素建議、增強醫學教育及改善臨床決策，但仍面臨臨床細節管理不一致、算法偏見及數據隱私等挑戰。未來需進行嚴格的臨床試驗及跨學科合作，以確保其安全有效地應用於臨床。 PubMed DOI

抗微生物抗藥性（AMR）對全球健康構成嚴重威脅，預計到2050年每年可能造成1000萬人死亡。為了有效應對，公共衛生訊息需針對不同受眾調整。本研究評估了ChatGPT-4生成適合文化和語言的AMR意識內容的能力。專家們識別了AMR的主要貢獻者，並開發了多語言的內容。雖然ChatGPT-4在生成定制內容方面顯示潛力，但質量差異顯著，需專業審查。未來研究應聚焦於完善提示和整合反饋，以提升內容有效性。 PubMed DOI

將大型語言模型（LLMs）整合進抗生素處方的醫療決策中，逐漸受到重視，但面臨挑戰。首先，LLMs在臨床環境中的應用需更深入的醫療理解，因為它們的建議直接影響病患健康。其次，專業知識悖論顯示醫療人員可能過度依賴AI，影響臨床判斷。因此，AI應該輔助而非取代人類決策。最後，LLMs的錯誤風險需謹慎對待，必須建立健全的驗證流程，確保其作為輔助工具的角色。 PubMed DOI

大型語言模型（LLMs）在醫療領域的應用日益增多，能協助診斷和治療感染。一項研究比較了全科醫生與六個LLMs（如ChatGPT、Gemini等）對24個臨床案例的反應。全科醫生在診斷和抗生素處方的準確率高達96%-100%，但在劑量和療程的準確性上較低（50%-75%）。LLMs的表現也不錯，但在參考指導方針的能力上不一致，特別是在挪威的表現不佳。研究指出LLMs有數據洩漏的風險，雖然它們在抗生素處方上有潛力，但全科醫生在臨床情境解釋和指導方針應用上仍更具優勢。 PubMed DOI

本研究探討生成式人工智慧（GenAI）在臨床微生物學和傳染病諮詢中的應用潛力。透過評估四款聊天機器人（如GPT-4.0），研究發現GPT-4.0在事實一致性、全面性及無醫療危害性方面表現優於其他兩款。專家對AI回應的評分顯著高於住院醫師，且專家認為回應“無害”的可能性更高，但仍有少於兩成的回應被認為無害。研究強調醫療人員的專業知識對AI回應的解讀影響深遠，並指出目前無AI模型可在無人監督下安全使用於臨床。 PubMed DOI

這項研究探討人工智慧（AI）在改善傳染病臨床決策中的角色，特別是抗生素處方的指導。透過系統性文獻回顧，評估了AI技術在抗微生物管理中的有效性。結果顯示，十七項研究中，機器學習作為臨床決策支持系統（CDSS）能有效預測抗藥性並優化抗生素使用；而六項大型語言模型的研究則顯示處方錯誤率較高，需精確提示才能獲得準確回應。研究強調傳染病專家的重要性，並指出AI需經過嚴格驗證才能有效整合進臨床實踐。 PubMed DOI

這項研究用先進AI模型分析牙齦卟啉單胞菌的蛋白質序列，成功預測抗生素抗藥性。透過LSTM-attention、ProtBERT等模型，能高準確率辨識抗藥性菌株，有助於追蹤和預防抗藥性問題，對全球抗藥性危機的治療策略很有幫助。 PubMed DOI