原始文章

這項研究探討了在盧旺達COVID-19疫情期間，被隔離患者的需求與挑戰。研究使用名為WelTel的數位健康服務，透過每日簡訊監測SARS-CoV-2病例。分析了2020年3月至2022年3月間，33,081名患者的對話，並將其與人口及臨床資料連結。結果顯示，最常討論的主題包括症狀、診斷和社會問題等。研究指出，互動式簡訊通訊能有效支持被隔離患者，並透過自然語言處理技術提供重要的醫療與社會見解，助於未來公共衛生應對。 PubMed DOI ♡

站上相關主題文章列表

自2019年以來，使用自然語言處理（NLP）在心理健康干預研究領域快速成長。研究指出趨勢包括運用大型語言模型和探討多樣臨床類別。然而，仍存在語言多樣性和可重現性的挑戰。為此，提出了NLPxMHI研究框架，以引導未來填補缺漏，提升NLP在心理健康干預上的應用。 PubMed DOI

這項研究探討了OpenAI的ChatGPT如何協助公共衛生工作者開發疾病傳播模型，以制定感染控制策略。透過案例研究，公共衛生工作者與ChatGPT合作，創建符合10天流行病學數據的數學模型，並進行代碼生成、精煉和除錯，估算基本繁殖數（Ro）和最終疫情規模。最終模型重現疫情曲線，Ro為4.19，最終疫情規模達98.3%。研究顯示，ChatGPT能加速模型開發，降低技術門檻，改善全球疫情應對能力，特別在資源有限的環境中。 PubMed DOI

自然語言處理（NLP）是人工智慧的一個重要領域，專注於理解和生成自然語言，尤其在醫療領域的應用越來越普遍。這篇回顧分析了2018至2023年間的27篇相關論文，探討NLP如何改善病患溝通、篩選電子健康紀錄，並自動化臨床試驗的候選者識別。研究顯示，NLP技術能有效處理大型非結構化數據，提升公眾情感分析和風險預測模型的準確性，並幫助醫療提供者縮短與病患的溝通距離，進而提升醫療服務品質。 PubMed DOI

這項研究強調質性反饋在計畫評估中的重要性，特別是理解病人經驗。透過使用大型語言模型（如ChatGPT），研究分析了82位病人在Empowered Relief疼痛教育課程中的回應，揭示了七個關鍵主題，包括音頻檔的使用、心態、技巧、社群支持、知識、工具與方法，以及自我覺察。這些發現顯示質性數據能捕捉病人經驗的細微差異，並為計畫改進提供資訊，促進以病人為中心的評估。 PubMed DOI

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

這篇論文探討如何利用自然語言處理（NLP）評估青少年聊天輔導服務的滿意度。研究分析了2,609名年輕用戶的數據和約140,000條訊息，訓練了兩種分類器：極端梯度提升（XGBoost）和基於變壓器的模型。XGBoost的表現較佳，AUC得分為0.69，而Longformer為0.68。研究發現，認為諮詢有幫助的用戶通常表達滿意，而拒絕提供的練習則顯示無幫助。雖然預測性能中等，作者建議進行更多隨機試驗以評估服務改進的影響，並強調簡單模型與複雜模型比較的重要性。 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