這項研究顯示客製化的大型語言模型（LLMs）在提升談話治療，特別是癡呆症護理中的潛力。研究團隊利用QLoRA方法，在A40 GPU上微調五個開源LLM，創造出針對心理健康的解決方案。他們生成了10,000個模擬的諮詢師與病人互動問答，涵蓋憂鬱症和焦慮症等問題。微調後的模型在心理健康論壇和Quora的測試中表現優異，最佳模型「Mixtral-8×7B-v0.1-qlora」得分7.83，顯示出顯著改善，強調了微調LLMs在心理健康治療中的有效性。 PubMed DOI

癡呆症的診斷在全球醫療中面臨挑戰，主要因為其複雜性及電子健康紀錄的不一致性。傳統診斷方法可能會漏掉或錯誤識別病例，因此需要改進工具。本研究探討人工智慧（AI）及大型語言模型（LLMs）在提升癡呆症檢測的潛力。研究結果顯示，使用GPT-4的患者紀錄聚合方法達到最高準確率0.86，顯示大型語言模型能顯著改善癡呆症診斷的準確性，優於傳統方法。 PubMed DOI

這項研究評估了四個大型語言模型（LLMs）在心理健康診斷和治療的能力，包括Gemini 2.0、Claude 3.5、ChatGPT-3.5和ChatGPT-4。主要發現顯示，ChatGPT-4在診斷憂鬱症和PTSD方面優於人類專業人士，但在複雜案例如早期精神分裂症的準確率僅55%。LLMs提供的治療建議較為多樣，但專業人士則偏好具體的精神科諮詢。總體來看，雖然LLMs能協助診斷和治療計畫，但在複雜情況下仍需專業監督。 PubMed DOI

這項研究探討了使用GPT-4作為神經科學及醫學領域的病史採集工具。研究人員進行了一項觀察性試點研究，利用已發表的案例報告來獲取病史資料。研究使用三個模型來評估病史的準確性，結果顯示整體內容檢索準確率為81%。其中，頭痛的準確率為84%，中風82%，神經退行性疾病77%。雖然結果顯示這個大型語言模型能有效提取重要資訊，但仍需進一步驗證，以結合電子病歷和病人護理，發展更完善的診斷工具。 PubMed DOI

本研究評估ChatGPT 4 Omni在診斷神經認知障礙的準確性，並與早期版本比較。研究分為兩部分，第一部分分析其與臨床醫生的診斷一致性，涉及12,922名老年人，結果顯示有一定的關聯性，但準確性仍不足以獨立使用。第二部分則使用537名老年人的數據，未顯示顯著一致性。結論指出，雖然ChatGPT 4 Omni有潛力，但仍需改進與訓練，以提升其在臨床中的應用效果。 PubMed DOI

這項研究介紹了Hyper-DREAM，一個創新的行動健康平台，專門用來管理高血壓。經過一年多學科團隊的開發，這個平台強調全面數據收集和增強醫病互動。 在2024年8月，對51位高血壓患者和六位醫生進行了可用性評估。結果顯示，Hyper-DREAM的BP Coach在實用性上超越了其他工具，雖然在清晰度上稍遜於醫生。醫生表示使用後效率提高，與病人的互動更快，工作壓力減輕。 患者對平台的易用性和實用性表示高度滿意，整體上，Hyper-DREAM顯示出在高血壓管理上的顯著優勢，並有助於減輕醫生的工作負擔。 PubMed DOI

這項研究開發的 CD-Tron 臨床語言模型，能在 MCI 診斷前，從超過 2,000 名病患的電子病歷中，早期偵測認知衰退。CD-Tron 表現比傳統模型更好，準確率和敏感度都很高，還能用 SHAP 值解釋預測結果，提升臨床透明度，展現語言模型在醫療早期偵測的潛力。 PubMed DOI

研究團隊開發了一套經微調的大型語言模型，能自動從電子病歷的臨床紀錄中擷取阿茲海默症及相關失智症的7大症狀，準確度（AUROC）高達0.97-0.99，優於傳統方法。這些症狀不僅能預測失智症診斷，還和腦部MRI結果有關，有助提升診斷準確率並推動相關研究。 PubMed DOI

醫療數位分身是針對個別病患建立可持續更新的虛擬模型，目前在醫學界還沒明確定義。論文指出其五大要素，包括病患、資料連結、虛擬模型、介面和同步。隨著資料整合、AI和機制建模進步，數位分身已能應用於臨床，如癌症和糖尿病。AI結合機制模型能互補不足，也有助於強化大型語言模型在醫療的應用。 PubMed DOI

這項研究用大型語言模型（LLM）來自動辨識自閉症語言障礙的關鍵特徵，在零樣本情境下，表現比傳統方法好，敏感度和陽性預測值都提升超過10%。LLM能穩定偵測出十種重要語言特徵，顯示它有潛力成為協助自閉症診斷和個人化治療規劃的有效工具。 PubMed DOI