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