原始文章

這項研究評估了大型語言模型(LLMs)在急性缺血性中風(AIS)患者的手術記錄中提取數據的有效性。分析了382份手術記錄,重點在30份,以指導LLMs提取關鍵特徵。六種LLMs的表現良好,平均準確率達95.09%,整體準確率為78.05%。GLM4和GPT-4在進階特徵提取上表現突出,準確率分別為84.03%和82.20%。LLMs的數據處理速度也顯著快於醫師,顯示出在AIS治療中改善臨床數據管理的潛力。 PubMed DOI


站上相關主題文章列表

研究比較了GPT-4和GPT-3.5在提取神經放射學報告中缺血性中風患者機械溶栓術數據的表現。結果發現,GPT-4比GPT-3.5更準確,處理所有報告且無需進一步處理即可正確提取94.0%的數據項目,而GPT-3.5僅有63.9%的準確率。總結來說,GPT-4在提取正確程序數據方面更有效。 PubMed DOI

這項研究評估了開源大型語言模型(LLMs)在從機械血栓切除報告中提取缺血性中風患者臨床數據的效果。研究使用了本地LLMs分析2020至2023年的患者報告,並引入外部數據集。測試了三個模型:Mixtral、Qwen和BioMistral,Mixtral在內部數據集上表現最佳,精確度達0.99。HITL方法使每個案例平均節省65.6%的時間,顯示LLMs在臨床數據自動提取中的潛力,並提升了精確度和可靠性。 PubMed DOI

這項初步研究探討了大型語言模型(LLM),特別是LLaMA3,如何從三級醫院的出院摘要中提取中風審核數據。研究分析了一個月內的中風住院病人出院摘要,成功提取144個數據點,LLM的準確率高達93.8%(135個正確)。結果顯示,LLM能有效提升中風審核數據的收集效率,並建議進一步研究以優化LLM與醫療專業人員的合作。 PubMed DOI

這項研究評估了多種大型語言模型(LLMs)在簡化介入放射學(IR)報告的表現,重點在質性和量性指標。GPT-4和Claude-3-Opus在質性評估中表現最佳,錯誤率最低,特別是在內容和信任方面。量性評估顯示,GPT-4在可讀性指標上也優於其他模型。研究強調簡化IR報告對病人理解和臨床決策的重要性,並指出所有模型仍需改進以減少錯誤。 PubMed DOI

這項研究評估了大型語言模型(LLMs),特別是GPT-3.5和GPT-4,在院前篩檢急性缺血性中風(AIS)和大血管阻塞(LVO)的效果。研究在茂名市人民醫院進行,分析了400份急診病歷。結果顯示,GPT-4在AIS和LVO的篩檢準確率上均優於GPT-3.5,特別是在神經推理和事實正確性方面表現更佳。整體來看,GPT-4有潛力成為急救醫療服務中有效的決策支持工具,可能改善及時介入的效果。 PubMed DOI

大型語言模型(LLMs)是透過大量文本訓練的先進神經網絡,能理解和生成類似人類的語言。ChatGPT是OpenAI開發的知名範例,具備語言翻譯、問題回答和文本補全等功能。它能生成醫療報告、手術記錄和詩歌等多種文本,並在神經外科中協助撰寫手術報告,促進醫療團隊溝通,還可作為醫學生的學習資源。不過,這類模型在醫療應用上也面臨一些挑戰。 PubMed DOI

這項研究評估了大型語言模型(LLMs),如ChatGPT和Claude,在脊椎病理的外科決策及放射影像解讀的有效性,並與經驗豐富的脊椎外科醫生進行比較。結果顯示,雖然LLMs能詳細描述MRI影像,但在準確識別病變及外科決策上表現不佳,準確率僅20%,遠低於外科醫生的100%。研究建議LLMs在輔助影像解讀和決策上有潛力,但需進一步發展以克服現有限制,並強調AI研究人員與臨床專家的合作重要性。 PubMed DOI

這項研究評估了大型語言模型(LLMs),特別是ChatGPT,在填寫血管質量倡議(VQI)程序數據庫的有效性。研究針對三種手術進行,結果顯示LLMs的準確率相當高,CEA為84.0%、EVAR為92.2%、LEB為84.3%。排除少見指標後,準確率更提升至CEA的95.5%、EVAR的94.8%和LEB的93.2%。兩個模型(gpt-35-turbo和gpt-4)之間性能差異不大,且分析成本低。整體而言,LLMs能有效協助填寫VQI數據庫,建議進一步研究以提升準確性。 PubMed DOI

這項研究評估了三個大型語言模型(LLMs)—ChatGPT 4.0、AtlasGPT 和 Gemini—在識別血管內神經外科手術報告中的程序術語(CPT)代碼的效果。分析了30份手術記錄後,AtlasGPT 表現最佳,正確識別35.3%的 CPT 代碼,ChatGPT 緊隨其後,正確率為35.1%,而 Gemini 僅有8.9%。統計分析顯示這些模型之間的表現差異顯著。研究指出,雖然這些模型能部分識別 CPT 代碼,但進一步訓練可提升準確性,並可能降低醫療成本。 PubMed DOI

這項研究探討了大型語言模型(LLMs)在急性缺血性中風(AIS)病例中的應用,特別是機械性血栓切除術(MT)的適應性。研究分析了100名AIS患者的數據,LLM根據放射學報告、神經症狀、發病資訊和患者年齡進行判斷。結果顯示,該AI模型的整體準確率達88%,特異性96%,敏感性80%,曲線下面積為0.92,顯示出LLMs在整合醫療數據方面的潛力,並鼓勵進一步探索其在臨床的應用。 PubMed DOI