研究發現ChatGPT語言模型在中風患者中預測功能性結果表現優異，特別是對於治療效果好、閉塞遠、時間短的患者。將這樣的人工智慧模型應用在臨床上，有助於提升中風患者的護理品質。 PubMed DOI

這篇論文回顧了人工智慧（AI）在缺血性中風影像學的進展，強調其在自動分割梗塞區域、大血管阻塞檢測及預測中風結果的應用。研究指出，機器學習（ML）和深度學習（DL）能提升診斷準確性，但仍面臨數據不足、模型可解釋性差及需即時更新等挑戰。此外，論文探討了大型語言模型的潛力，並強調建立大型公共數據庫的重要性。總之，儘管AI在缺血性中風管理上有潛力，但克服技術與實際挑戰對於臨床應用至關重要。 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

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

惡性腦水腫會導致腦部腫脹，壓迫中線結構，通常在中風後的第一週內發生。早期介入如高滲透療法或外科減壓能減輕損傷，但需謹慎進行。為了有效評估水腫進展，我們開發了動態機器學習模型HELMET，能實時預測中線位移的嚴重程度。HELMET包含HELMET-8和HELMET-24兩個模型，分別預測8小時和24小時內的變化，並在多個病人數據上驗證，準確率高達96.6%。這項研究提供了一個新框架，能即時估算臨床目標，對於有限的結構化數據也能有效運用。 PubMed DOI

這項研究評估了AtlasGPT和ChatGPT 4.0在預測動脈瘤性蛛網膜下腔出血（aSAH）患者的準確性，並與傳統臨床評估量表比較。研究包含82名患者，結果顯示住院死亡率為22%，34.1%需進行減壓性半顱切除手術。出院時28%患者有良好結果，六個月後提升至46.9%。AtlasGPT在預測手術需求方面表現最佳（AUC 0.80），而WFNS量表在長期功能預測上最為準確（AUC 0.76）。研究建議結合AI模型與傳統量表可提升預測準確性。 PubMed DOI

本研究探討AI模型ChatGPT-4 Omni在非對比電腦斷層掃描影像中檢測顱內出血的有效性。分析240個案例後，發現該模型在識別影像模式上達到100%準確率，但在ICH檢測的準確率為68.3%。敏感性為79.2%，特異性57.5%。在第二次評估中，準確率提升至73.3%。雖然模型在識別影像模式和檢測ICH方面有潛力，但在出血定位和分類上仍有不足，建議進一步訓練以提升其醫療應用表現。 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

這項研究開發了一個中風診斷與預測工具，利用ChatGLM-6B大型語言模型，透過分析電子健康紀錄和非對比電腦斷層掃描報告中的自由文本，來提升中風的檢測與治療。研究使用了1,885名患者的數據進行訓練和驗證，並在335名患者的外部測試中進行評估。結果顯示，內部驗證準確率高達99%，外部測試則為95.5%和79.1%。該模型在識別缺血性和出血性中風方面表現優異，並有潛力改善中風識別及患者預後。 PubMed DOI

腦血管疾病是全球第二大死亡原因，對殘疾影響深遠。本研究探討GPT-4在急診科神經科醫師處理急性缺血性中風的有效性，分析其建議與專家意見及實際治療結果的比較。研究回顧100名急性中風患者，結果顯示GPT-4的建議與專家意見高度一致，特別是在血管內血栓切除術方面表現優異。GPT-4在死亡預測上也表現良好，顯示其作為臨床決策支持工具的潛力，但也需注意其建議的侵略性，強調人類監督的重要性。未來需進一步驗證這些發現。 PubMed DOI