生成式人工智慧和大型語言模型像ChatGPT有潛力改變醫療數據管理。研究指出整合這些技術到醫療實務需協作，強調強化學習和人類反饋。雖然面臨道德挑戰，但大型語言模型可改善醫療決策。持續創新在數據處理、模型優化和實施策略至關重要，組織應負責任地應用這些技術以提升醫療品質、安全和效率。 PubMed DOI

研究評估了OpenAI的GPT和GPT-4在比較人類審查員時，對臨床研究論文標題和摘要的辨識表現。結果顯示，這些模型在篩選超過24,000個標題和摘要時表現準確且敏感，並展現了推理能力並修正錯誤。這些人工智慧模型有潛力優化審查流程、節省時間，並提升臨床研究品質，而非取代研究人員。 PubMed DOI

在醫學領域，機器學習的應用受到開發者和實踐者之間的知識鴻溝影響。研究人員利用ChatGPT ADA來彌合這個鴻溝，提升機器學習在臨床數據分析中的效率。ChatGPT ADA的先進模型可預測臨床結果，且表現令人鼓舞，相較於手工製作的模型。ChatGPT ADA有潛力推動機器學習在醫學領域的民主化，但應視為專業培訓和資源的補充，而非取代。 PubMed DOI

近期LLMs如ChatGPT在醫療保健領域受歡迎，但也帶來安全和倫理風險。為因應此挑戰，提出新方法評估LLMs在臨床護理中的可行性，強調安全、個人化護理和倫理。透過跨學科知識整合和文獻回顧，確定關鍵評估領域。由專家進行同行評審，確保科學嚴謹。在臨床腫瘤護理中評估九種LLMs後，有些被推薦使用，有些謹慎使用或不可使用。推薦使用特定領域的LLMs可支持醫療專業人員的決策。 PubMed DOI

研究探討利用先進語言模型（LLMs）改善醫療數據互通，轉換及傳輸。實驗證實LLMs可有效將結構化數據轉為非結構化、映射診斷代碼及提取臨床資訊。結果顯示LLMs有潛力增進醫療數據交流，無需複雜標準化。 PubMed DOI

這項研究探討了大型語言模型（LLMs），如ChatGPT-4o、ChatGPT-3.5和Google Gemini，在輔助放射學研究中的效能。進行了兩個實驗： 1. **生物統計學與數據視覺化**：測試LLMs在建議生物統計檢定和生成R程式碼的能力。ChatGPT-4o表現最佳，正確回答7個問題，且生成的程式碼錯誤較少。 2. **深度學習**：評估這些模型在生成影像分類模型的Python程式碼的能力。ChatGPT-4o和Gemini都能生成初始程式碼，並透過互動修正錯誤。 總體而言，LLMs對放射學研究有幫助，但使用者需驗證生成的程式碼以避免錯誤。 PubMed DOI

這篇論文探討基因數據在疾病診斷與治療中的重要性，特別是癌症研究，並指出將這些數據整合進臨床護理的挑戰，如電子健康紀錄的結構、保險成本及基因結果的可解釋性。研究也提到人工智慧（AI）和大型語言模型（LLMs）在解決這些問題上的潛力。儘管AI在醫學研究中的成功有限，但基於大量數據訓練的LLMs在基因分析上顯示出希望。研究評估了GPT模型在基因表達數據的預測能力，並與傳統機器學習方法進行比較，以探討其在預測癌症亞型的潛力。 PubMed DOI

這項研究旨在提升神經生物銀行（NBB）中非結構化神經病理數據的可尋找性、可及性、互操作性和可重用性，並探討大型語言模型（LLMs）的應用。研究針對822名帕金森病捐贈者，開發以腦區和病理發現為中心的數據模型，促進數據轉換為通用數據元素，增進神經科學社群的數據共享。試點研究顯示，LLMs在結構化非結構化報告方面的提取質量可與人工整理相媲美，為PD研究提供了重要資源，並有助於整合臨床和遺傳信息，深化對帕金森病的理解。 PubMed DOI

這項研究致力於開發一種整合大型語言模型（LLM；GPT4-Turbo）的自然語言處理（NLP）演算法，目的是自動從電子健康紀錄（EHRs）中提取脊椎手術數據。傳統的手動審查方法繁瑣且易出錯，因此自動化非常重要。演算法採用兩階段流程，先用基於規則的NLP框架識別文本，再由LLM進行驗證。結果顯示，這種方法在準確性、時間效率和成本上均優於傳統方式，顯示出在臨床應用的潛力。 PubMed DOI

本研究探討在醫院中使用ChatGLM提取真實世界數據（RWD）的可行性，並與傳統手動流程進行比較。研究結合了ChatGLM、電子病例報告表（eCRFs）和電子健康紀錄，並利用LLaMA模型評估數據提取準確性。結果顯示，ChatGLM輔助的數據轉錄效率提升了80.7%。雖然手動輸入準確率高達99.59%，但ChatGLM和LLaMA的準確率分別為77.13%和43.86%。研究還指出了提示設計、輸出一致性等挑戰，並強調了增強互操作性和透明度的重要性。 PubMed DOI