非酒精性脂肪肝病（NAFLD）是全球嚴重健康問題，目前沒有特效藥物，調整生活方式很重要。為了應對NAFLD，需要創新方法來支持長期改變。現在稱為代謝功能障礙相關性脂肪肝。AI聊天機器人如ChatGPT可以提供個人化支持和教育，有助於增進醫療資源。研究評估ChatGPT對NAFLD問題回答的正確性和完整性，以了解對患者疾病和生活方式問題的回應。 PubMed DOI

研究用醫院病歷數據評估GPT-4和PaLM2的診斷準確度，結果發現GPT-4達93.9%，PaLM2為84.7%。顯示人工智慧可協助減少診斷錯誤，但仍需人類監督。整合AI到醫療面臨道德、責任和監管挑戰。 PubMed DOI

研究比較了大型語言模型（LLMs）在臨床案例診斷上的表現，發現GPT4比GPT3.5更準確且提供更專業的診斷列表。然而，兩者仍有可能漏掉最可能的診斷。研究建議LLMs像GPT4可擴展診斷考慮範圍，但需改進以更符合疾病發生率和文獻。 PubMed DOI

研究評估了大型語言模型在醫療保健領域的應用，尤其是在改善患者護理方面。使用MIMIC-III數據庫的電子健康記錄，測試了這些模型在識別特定疾病患者方面的效能。GPT-4在辨識COPD、CKD、PBC和Cancer Cachexia患者方面表現優異，而ChatGPT和LLaMA3則稍遜。儘管LLMs有潛力，但在臨床應用前仍需解決錯誤、解釋不足和倫理問題。進一步研究將有助於提升模型訓練和設計，以更好地應用於醫療保健。 PubMed DOI

本研究評估大型語言模型（LLM），特別是GPT-4，是否能有效分析介入放射學（IR）微波消融裝置的安全事件數據。研究收集了2011年至2023年的安全數據，並由人類審核者進行分類。GPT-4的分類準確率在訓練集達96.0%，驗證集86.4%，測試集87.3%。最終生成的摘要與人類解讀相似，顯示LLM在處理IR安全數據方面的潛力，成為臨床醫生的有用工具。 PubMed DOI

藥物引起的肝損傷（DILI）是藥物安全性的重要議題，也是急性肝衰竭的主要原因。傳統的文獻搜尋方法因藥物相互作用的複雜性而效率不高，且手動整理容易出錯。近期，利用大型語言模型（LLMs）如LLaMA-2，研究人員開發了專門用於DILI分析的模型，並在CAMDA 2022的數據集上達到97.19%的準確率，顯示出LLMs在文獻識別上的潛力，可能簡化監管審查流程。 PubMed DOI

本研究探討大型語言模型（LLMs），特別是GPT-3.5 turbo和GPT-4，如何提取肝細胞癌病理報告中的關鍵要素。考量到手動整理報告的困難，研究比較了LLMs與傳統的正則表達式（REGEX）方法的準確性。共分析了88份病理報告，重點在五個關鍵要素。結果顯示，LLMs和REGEX的提取準確性均相當，介於84.1%到94.8%之間。研究指出，LLMs有潛力顯著簡化提取過程，進而加速癌症研究的進展。 PubMed DOI

人工智慧（AI）在診斷和管理酒精相關肝病（ALD）上展現出極大潛力。透過機器學習，醫療人員能分析大量醫療數據，找出疾病模式並預測進展。大型語言模型（LLMs）的進步也有助於早期檢測及制定個性化治療方案。 不過，整合這些AI工具時需謹慎，必須解決相關的倫理問題，並確保有充分的證據支持其實際應用。這樣的負責任做法能最大化AI的優勢，同時降低對病人護理的潛在風險。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-4，在識別肝硬化患者方面的有效性，並與傳統診斷代碼和手動病歷審查進行比較。研究分析了3,788名肝硬化住院病人的出院摘要，結果顯示LLMs的準確性顯著高於基於代碼的分類，肝硬化及其併發症的正確預測值（PPV）介於87.8%到98.8%之間。這表明LLMs能更準確地識別肝硬化患者，可能減少對繁瑣病歷審查的需求，提高分類的可靠性。 PubMed DOI

這項研究開發了一個大型語言模型（LLM），用於根據MRI報告自動分類肝臟觀察，依據LI-RADS v2018指導方針。研究分析了291個肝臟觀察，並將其分為訓練、驗證和測試集。結果顯示，模型在LI-RADS分類上有中等一致性（κ = 0.54），對於惡性腫瘤的識別也有不錯的表現。使用LLM後，放射科醫師的工作量減少了45%，顯示出該模型在臨床應用中的潛力，能有效提升數據整理效率。 PubMed DOI