這篇評論探討自然語言處理（NLP）在心理健康研究中的應用，特別是文本數據集和社會健康決定因素（SDOH）的整合。研究分析了1,768項來自PubMed、Scopus和CINAHL Complete的研究，發現臨床數據（42.8%）和社交媒體數據（33.7%）最為常見。抑鬱症和自殺是主要議題，但SDOH因素被低估，只有少數研究提及。此外，超過一半的研究未說明數據集的可獲取性。評論建議未來研究應重視SDOH，並透過共享數據集來提升關注度。 PubMed DOI

印尼的HIV疫情快速增長，面臨地理和社會文化挑戰。研究探討將大型語言模型（LLMs）與遠程醫療（TH）結合，以提升護理質量和降低成本。根據PRISMA-ScR指導方針，回顧2017至2024年間的文獻，發現12項研究符合標準。雖然已有關於電子健康干預的研究，但LLM與TH整合的文獻仍不足。提出的藍圖強調在分診、病史採集和病人教育中安全整合LLM-TH，顯示其在印尼HIV護理中的潛力，儘管面臨技術可及性和實證驗證的挑戰。 PubMed DOI

這項研究探討了人工智慧，特別是ChatGPT，如何與人類編碼結合，分析LGBTQ+患者的醫療經驗反饋。研究者希望透過這種混合方法，找出關鍵主題，如肯定性護理、醫療提供者的教育及溝通挑戰。雖然ChatGPT加速了編碼過程，但人類監督仍然對維持數據的完整性和上下文準確性非常重要。這種創新方法不僅提升了對患者反饋的分析，還提供了改善患者與醫療提供者互動的寶貴見解，並且是首個在此背景下結合AI與人類分析的研究。 PubMed DOI

這項研究探討大型語言模型（LLMs）在分析全球健康調查自由文本回應的有效性，特別針對2020至2023年的疫苗覆蓋調查數據。研究測試了多種LLM技術，發現準確率介於61.5%到96%之間，微調或少樣本學習能顯著提升表現。結果顯示，LLMs能增強數據分析能力，並為全球健康組織提供可擴展且具成本效益的解決方案。儘管面臨挑戰，這項研究強調了LLMs在改善數據分析和指導健康政策方面的潛力。 PubMed DOI

這項研究探討大型語言模型（LLMs）在疾病風險評估中的應用，特別是對COVID-19嚴重程度的預測。與傳統機器學習方法不同，LLMs透過對話式人工智慧實現即時、無需編碼的風險評估。研究比較了LLaMA2-7b和Flan-T5-xl等預訓練模型與傳統分類器的表現，發現LLMs在低數據環境中表現優異，能有效處理非結構化輸入，並提供個性化見解，顯示其在臨床環境中的潛力。 PubMed DOI

慢性病是全球主要死因，LLMs（像ChatGPT）在管理慢性病上有潛力，能提供準確、易懂的健康建議，幫助病人自我管理和獲得支持。專業型LLMs表現更好，但目前證據有限，還有隱私、語言和診斷等挑戰。臨床應用還在初期，未來需加強資料安全、專業化和與穿戴裝置整合。 PubMed DOI

這項研究用AI和自然語言處理分析超過60萬則乳癌和皮膚癌患者訊息，找出他們關心的議題並產生新研究主題。團隊用ChatGPT-4o自動化解讀和摘要訊息，再由專業醫師評分主題的新穎性和意義。結果顯示，AI能有效提出貼近患者需求的癌症研究主題，有助於縮短研究和實際需求的差距。 PubMed DOI

研究人員用坦尚尼亞HIV診所的資料微調大型語言模型（LLM），來預測哪些病人可能會中斷治療或不遵從醫囑。這個模型比傳統方法更準確，能找出多數高風險病人，還能給出有用的解釋。臨床醫師大多認同模型的判斷。若實際應用，有助於精準介入、提升病人留診率，推動全球HIV治療目標。 PubMed DOI

研究比較多個AI平台（如ChatGPT 3.5/4.0、Google Bard/Gemini、HIV.gov Chatbot）在提供HIV藥物資訊的表現。結果發現，ChatGPT 4.0 回答最完整，HIV.gov Chatbot 最不全面。所有平台都建議諮詢醫師，且普遍認為HIV藥物有效。AI雖能提供方便的資訊，但個人問題還是要找專業醫療人員討論。未來可再研究AI在HIV預防和照護的應用。 PubMed DOI

這項研究發現，GPT-4在分析癌症病患與醫療人員的對話內容時，和人類專家有高度到中度的一致性，像是判斷有無討論症狀、誰先提起、以及建議內容等。雙方意見分歧的情況不多，且有詳細分類。結果顯示，LLM有潛力協助提升醫療溝通與照護品質。 PubMed DOI