Attention is not all you need: the complicated case of ethically using large language models in healthcare and medicine.
注意力不是唯一需要的：在醫療保健領域使用大型語言模型的倫理問題。 EBioMedicine 2023-11-27

大型語言模型（LLMs）是強大的人工智慧工具，能根據指示產生各種內容。為確保負責任使用，需要人類監督和道德設計。負責任使用LLMs可增進人類決策和資訊檢索。在醫療領域，它們有潛力改革數據管理。使用者、開發者、提供者和監管機構需共同努力因應LLM帶來的重大影響。 PubMed DOI

Large language models propagate race-based medicine.
大型語言模型推廣種族主義醫學。 NPJ Digit Med 2024-02-19

研究發現大型語言模型在醫療系統中可能持續散播有害、不準確、種族相關的內容。四個模型在種族醫學和誤解情境下表現不一，都散播種族醫學觀念，且回應不一致。這引發對LLMs在醫療環境可能造成潛在傷害的擔憂，因為它們持續散播已被揭露的種族主義觀念。 PubMed DOI

Unmasking and Quantifying Racial Bias of Large Language Models in Medical Report Generation.
揭示和量化大型語言模型在醫學報告生成中的種族偏見。 ArXiv 2024-03-06

大型語言模型如GPT-3.5-turbo和GPT-4在醫療保健領域有潛力，但可能受到訓練時的偏見影響，影響其在醫療環境中的實用性。研究指出，這些模型可能對白人族群預測較高的醫療成本和較長的住院時間，並對困難醫療情況下的存活率持過於樂觀的看法。未來需研究減少語言模型中的偏見，特別是在醫療保健領域，確保對所有患者公平且準確評估。 PubMed DOI

Leveraging large language models to foster equity in healthcare.
運用大型語言模型促進醫療保健公平。 J Am Med Inform Assoc 2024-03-21

LLMs或許能改善醫療服務，但對健康公平的影響尚不明朗。本文探討了LLMs在國家少數民族健康與健康差距研究中的應用，以促進健康公平。討論了LLMs如何提升健康公平，也提到了新興問題，如偏見數據和隱私問題。建議在LLMs的開發和應用中應優先考慮健康公平。 PubMed DOI

Simulated Misuse of Large Language Models and Clinical Credit Systems.
大型語言模型和臨床信用系統的模擬濫用。 medRxiv 2024-04-22

LLMs在醫療保健領域被廣泛應用，但可能存在濫用風險，如不公平資源分配或侵犯公民權利。報告探討了這些風險並提出因應策略。 PubMed DOI

Large Language Models and User Trust: Consequence of Self-Referential Learning Loop and the Deskilling of Health Care Professionals.
大型語言模型與使用者信任：自我參照學習迴圈的後果及醫護專業人員技能流失。 J Med Internet Res 2024-04-25

論文討論了在醫療領域整合大型語言模型（LLMs）的影響，強調臨床醫師的信任、數據來源，以及對LLM性能和臨床醫師能力的影響。提到LLMs中自我參考學習迴圈的擔憂，並討論了風險，如醫療專業人員的技能下降。呼籲整合LLMs到醫療中要謹慎，確保安全有效使用。 PubMed DOI

Potential of Large Language Models in Health Care: Delphi Study.
大型語言模型在醫療保健領域的潛力：德爾菲研究。 J Med Internet Res 2024-05-13

大型語言模型（LLM）是機器學習模型，能有效處理自然語言任務。研究探討LLMs對醫療保健的影響，發現可提升臨床工作效率和個人化護理。然而，也存在資安漏洞和偏見風險，需注意隱私問題。未來研究應關注工作流程、品質、整合和法規，以實現成功應用。 PubMed DOI

Evaluation and mitigation of the limitations of large language models in clinical decision-making.
評估和緩解大型語言模型在臨床決策中的限制。 Nat Med 2024-07-04

大型語言模型(LLMs)在臨床決策中或許有好處，但目前還不適合實際醫療使用。一項研究指出，LLMs在真實病例中無法正確診斷、無法遵循指引、難以解釋檢驗結果，且難以整合到臨床流程中，可能危害患者健康。需要更多研究以改進LLMs在臨床決策的應用。 PubMed DOI

Unmasking and quantifying racial bias of large language models in medical report generation.
揭示與量化大型語言模型在醫療報告生成中的種族偏見。 Commun Med (Lond) 2024-09-10

大型語言模型（LLMs），像是GPT-3.5-turbo和GPT-4，對醫療專業人員有潛在的協助能力，但可能帶有訓練數據中的偏見，影響其在醫療情境中的有效性。本研究分析這些模型在預測住院、費用和死亡率時的表現，發現它們對白人族群的預測較高，且在困難醫療情況下過於樂觀。這些偏見反映了醫療不平等，強調了進一步研究的必要性，以減少語言模型中的偏見，確保所有病患都能獲得公平和準確的醫療結果。 PubMed DOI

Large language models and synthetic health data: progress and prospects.
大型語言模型與合成健康數據：進展與前景。 JAMIA Open 2024-10-28

隨著醫療保健對先進分析的需求增加，合成健康數據的使用變得愈加重要，尤其是在獲取真實健康數據的挑戰下。大型語言模型（LLMs）的進展為生成合成健康數據提供了新機會，但也帶來潛在風險。本文綜述了合成健康數據生成（SHDG）及LLM的研究，探討生成對抗網絡等機器學習模型的現狀與局限性。SHDG面臨的挑戰包括評估指標、數據效率、健康公平等，雖然LLMs在某些方面顯示潛力，但深入研究其優缺點仍然至關重要。 PubMed DOI

原始文章

站上相關主題文章列表