大型語言模型（LLMs）在自然語言處理領域有潛力，可加速臨床實踐，如診斷、預防和治療。智能對話系統運用LLMs被視為治療的未來，尤其是在ChatGPT時代。這研究專注於在醫療保健領域運用LLMs，特別關注認知衰退和產後抑鬱。討論LLMs在醫療保健中的好處，如增進臨床任務和提供個人化醫療，以及相關擔憂，如數據隱私和公平性。這有助於全球討論將LLMs整合到醫療系統中。 PubMed DOI

這篇文章探討了人工智慧，特別是大型語言模型（LLMs），在解決治療壓力和創傷相關問題的專業人員短缺方面的潛力。文章指出，LLMs能增強診斷評估、生成臨床筆記及提供治療支持。作者強調，克服在臨床環境中部署這些模型的挑戰很重要，包括確保AI系統的多元代表性，以避免護理資源的差異。此外，還需採用保護隱私的訓練方法，保障病人數據，同時利用公共數據集提升模型表現。 PubMed DOI

這篇論文探討大型語言模型（LLMs），如ChatGPT，在癡呆症護理和研究中的應用潛力。文章介紹了LLMs的特性、能力與限制，並討論其在護理中的實際考量，例如透過手機應用程式使用。LLMs可增進對癡呆症的理解、診斷和治療，透過有意義的對話和個性化支持來改善病人護理。 LLMs的好處包括提升社交互動、改善認知功能和情緒福祉，並減輕照護者負擔。不過，部署LLMs也引發隱私和倫理等問題。問卷調查顯示，癡呆症患者及支持者對使用LLMs的看法普遍正面，但仍擔心偏見和數據隱私。總體而言，這篇評論強調了LLMs在癡呆症護理中的潛力，並呼籲進一步研究。 PubMed DOI

抑鬱症對全球影響深遠，影響工作效率和殘疾率。雖然早期發現很重要，但現有的篩檢工具常缺乏客觀性。研究者正探索影像分析、血液標記及日記寫作等客觀指標。這項研究利用情感日記應用程式，評估91名參與者的日記文本，並使用GPT-3.5和GPT-4等大型語言模型進行抑鬱症檢測。結果顯示，微調後的GPT-3.5準確率達90.2%，顯示用戶生成的文本在臨床檢測抑鬱症上具潛力，未來可結合其他可測量指標進一步研究。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是Llama 2和GPT-4，在電子健康紀錄中檢測認知衰退的有效性。研究在麻省總醫院進行，分析輕度認知障礙患者的臨床筆記，並將LLMs與傳統模型比較。結果顯示，GPT-4的表現優於Llama 2，但仍不及傳統模型。集成模型的表現最佳，達到90.2%的精確度。錯誤分析顯示模型間的錯誤特徵不同，建議結合LLMs與傳統模型以提升診斷效果。該研究獲得美國國家老齡化研究所及國家醫學圖書館的資助。 PubMed DOI

這項研究探討如何利用人工智慧驅動的大型語言模型（LLMs）來改善阿茲海默症及相關癡呆症的數位照護策略。重點在於非正式照護者面臨的挑戰，並將照護任務與數位工具對接。研究分析了38份教育材料和57款行動應用程式，針對阿茲海默症的四個進展階段識別關鍵照護任務，並匹配相關數位輔助工具。研究還指出六項必要的數位素養技能，強調量身訂做訓練的重要性，顯示LLMs在提升照護品質方面的潛力。 PubMed DOI

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