在醫療領域，使用大型語言模型（LLMs）是重要進步，有助於改善病患護理、研究和教育。雖然LLMs有不完美之處，但透過提示工程和檢索增強生成（RAG）等策略，可以提高準確性和相關性。尤其在臨床決策等需要全面資訊的任務中，RAG是相當有幫助的。一個以KDIGO 2023慢性腎臟病指南為基礎的ChatGPT模型整合了RAG，展現了提供準確醫療建議的潛力。 PubMed DOI

這項研究探討檢索增強生成（RAG）模型在回答擴散性大B細胞淋巴瘤（DLBCL）問題的效果，並與OpenAI的GPT-3.5、GPT-4及微軟的Prometheus進行比較。結果顯示，RAG模型在準確性和相關性上表現優於其他大型語言模型，且幻覺現象較少。雖然GPT-4和GPT-3.5在可讀性上較佳，但仍產生了許多不準確的資訊。研究強調了進一步探索不同模型架構及方法在專業領域的潛力。 PubMed DOI

這項研究評估了幾個商業可用的大型語言模型（LLMs）在提供治療建議時，與美國骨科醫學會（AAOS）針對肩袖撕裂和前交叉韌帶（ACL）損傷的臨床指導方針（CPGs）的符合度。分析了48項CPGs，結果顯示70.3%的回應與指導方針一致，ChatGPT-4的符合率最高（79.2%），而Mistral-7B最低（58.3%）。研究指出，雖然LLMs能提供一致建議，但缺乏透明的資料來源，限制了其作為臨床支持工具的可靠性，未來應擴大評估範圍以減少偏見。 PubMed DOI

這項研究評估了ChatGPT-4和Gemini在根據2022年美國骨科醫學會的前交叉韌帶重建指導方針生成回應的表現。七位專科醫生使用問卷評估這些回應，結果顯示兩者表現都不錯，平均分數超過4。Gemini在整體清晰度及康復與預防的完整性上優於ChatGPT-4，顯示出顯著的優勢。這項研究強調了大型語言模型在醫療領域的潛力，對醫療專業人員和病人皆有價值。 PubMed DOI

現成的大型語言模型（LLMs）在準確性上常反映互聯網上的不準確資訊，對於常見的肌肉骨骼疾病，治療建議的錯誤率高達30%。這顯示出諮詢專家的必要性。定制的LLMs則能整合各醫學領域的專業知識，方法包括： 1. **提示工程**：設計特定提示以獲得更佳回應。 2. **檢索增強生成（RAG）**：從目標數據集中檢索相關資訊。 3. **微調**：調整模型以理解醫療術語。 4. **代理增強**：利用軟體協調多個LLMs，優化輸出並引入人類監督。 這些定制的LLMs幫助醫生在數位環境中重新掌握權威，確保醫療專業知識的準確性。 PubMed DOI

這項研究強調大型語言模型（LLMs）在醫療領域的潛力，特別是透過檢索增強生成（RAG）來提升數據透明度和準確性。研究團隊開發了GuideGPT，一個能理解上下文的聊天機器人，整合了449篇科學文獻的知識，提供有關藥物相關性顳骨壞死（MRONJ）的資訊。與通用的PureGPT相比，GuideGPT在內容、科學解釋和一致性上表現更佳，顯示RAG能有效提升LLM的回應質量，成為臨床實踐中的重要工具。 PubMed DOI

這項研究探討大型語言模型（LLMs）和檢索增強生成（RAG）系統在管理基於證據的信息的效果，特別針對13項神經學指導方針和130個問題。結果顯示性能差異明顯，雖然RAG系統在準確性上有所提升，但仍可能產生有害回應。此外，RAG系統在處理案例型問題時表現不如知識型問題。研究強調需要進一步改進和規範，以確保RAG增強的LLMs在臨床上的安全使用。 PubMed DOI

這篇文章探討了一項研究，分析檢索增強生成（RAG）如何提升大型語言模型（LLMs）在放射學的表現。RAG 讓 LLMs 能夠即時訪問更新的知識庫，無需微調即可生成準確答案。研究中使用了來自 *RadioGraphics* 的 3,689 篇文章作為數據庫，並評估了五種 LLMs 在192道放射學考題中的表現。結果顯示，RAG 顯著提升了 GPT-4 和 Command R+ 的得分，特別是在與 *RadioGraphics* 相關的問題上，成功檢索並引用了相關資料。整體而言，RAG 在放射學任務中展現了提升 LLM 能力的潛力。 PubMed DOI

這項研究探討檢索增強生成（RAG）對大型語言模型（LLMs）在醫學領域的影響，特別針對2024年日本骨科專家考試。研究團隊建立了專門資料庫，評估了GPT-3.5 Turbo、GPT-4o和o1-preview的表現。結果顯示，GPT-3.5 Turbo使用RAG後準確率未見提升，仍為28%；而GPT-4o和o1-preview的準確率分別從62%和67%提升至72%和84%。分析指出，GPT-3.5 Turbo在利用檢索數據上表現不佳，顯示其推理能力不足。總體而言，RAG顯著提升了GPT-4o和o1-preview的表現，特別是o1-preview達到臨床實踐的水準。 PubMed DOI

大型語言模型（LLMs）在醫療領域的發展引起關注，尤其在臨床決策和病人管理上。不過，幻覺和不可靠資訊等挑戰影響其效能。檢索增強生成（RAG）模型透過整合經過驗證的醫學文獻，提升輸出準確性。這篇文章強調RAG在整形及重建外科的優勢，包括增強臨床決策支持和病人教育等。成功實施需謹慎策劃數據庫、定期更新及驗證，以確保臨床相關性並解決隱私和倫理問題。RAG模型有潛力改善病人護理和手術結果，鼓勵外科醫生和研究人員採用這些創新框架。 PubMed DOI