在電子健康紀錄（EHRs）中檢測受保護的健康資訊（PHI）是一項重要但複雜的任務，尤其對醫療分析至關重要。這項挑戰主要來自於醫生姓名和疾病術語的多樣性，且缺乏標準化格式。命名實體識別（NER）是自然語言處理（NLP）中的一個關鍵領域，旨在識別文本中的實體。本文回顧了PHI檢測的最新進展，並提出一個結合正則表達式與FLAIR NLP框架的混合系統，強調其在結構化和非結構化數據中的應用，展現其在醫療環境中的多樣性。 PubMed DOI

目前臨床試驗中的數據存取和利用方式幾乎沒有改變，導致系統碎片化和效率低下，影響證據的質量與數量。雖然試驗設計有所改善，但數據收集仍然成本高且勞動密集，限制了對不同患者群體的有效性評估。隨著對隨機臨床試驗證據需求的增加，亟需整合電子健康紀錄的互通性和數據標準化，建立一個有凝聚力的數據基礎設施。我們提出現代化的願景，強調多樣數據來源的收集與評估，以及健康數據的重複利用，並強調多學科合作的重要性。 PubMed DOI

Healthcare 4.0 代表醫療領域的重大變革，主要由人工智慧、大數據和醫療物聯網推動，目的是提升精準醫療和病患治療效果。文章探討幾個重點，包括大型語言模型簡化行政任務、可穿戴技術在健康監測中的重要性、機器人技術改善病患護理、數位雙胞胎技術助於個性化治療，以及建立監管框架以確保技術安全有效。未來需要投資技術人員和基礎設施，以實現更有效的醫療服務。總之，Healthcare 4.0 對心臟病學的進步和醫療結果改善具有重要潛力。 PubMed DOI

這篇論文探討如何利用大型語言模型（LLMs）來簡化生物醫學數據處理，特別是自動化數據發現與整合。我們推廣互操作性標準，透過創建共同數據元素（CDEs）來提升數據整合的效率。經過分析三十一項研究，我們開發了CDEs，並使用API填寫OpenAI GPT模型的元數據。經專家審查，94%的元數據無需手動修訂。我們的方法在阿茲海默症和帕金森基因計畫的數據中測試，顯示出良好的互操作性，旨在提升生物醫學研究的效率與合作性。 PubMed DOI

隨著2025年美國新總統上任，將面臨影響人口健康和醫療系統的重大挑戰，包括COVID-19的長期影響、未來疫情威脅、氣候變遷、醫療成本高及獲取差異等。若不採取行動，整體健康可能會下降。 為應對這些挑戰，提出五大策略優先領域：改善公共健康與健康不平等、促進醫療系統轉型、應對氣候變遷、推進醫療人工智慧、加強科學與創新。政府需考慮具體政策，強調社會決定因素及跨部門合作，為美國人鋪平更健康的未來。 PubMed DOI

這項研究探討了21世紀治療法案對病人獲取放射科報告的影響，分析了2013至2023年間每年10,000份報告。結果顯示，病人透過電子健康紀錄查看報告的比例從3.3%增至58.2%。法案實施後，病人查看報告的可能性提高了1.71倍。雖然病人參與度上升，但報告的可讀性仍高於建議水平，顯示報告的複雜性可能影響理解。研究強調需尋找解決方案，提升病人對放射科報告的體驗。 PubMed DOI

將大型語言模型（LLMs）應用於醫療保健有潛力提升病患照護與運營效率，但需謹慎整合，面臨技術、倫理及法規挑戰。 技術上，封閉式LLMs易於部署但可能影響數據隱私；開放式LLMs則可客製化，增強數據控制，但需更多資源與專業知識。倫理上，必須遵循指導方針以保護病患機密性，並確保透明度與責任。法規框架也需建立以保障病患權益。 因此，臨床醫生、研究人員與科技公司之間的合作至關重要，能促進技術穩健且符合倫理的LLMs發展，最終改善病患治療結果。 PubMed DOI

人工智慧（AI）正在改變醫療保健，但也帶來了倫理和法規挑戰。本研究旨在建立一個可信賴的AI框架，強調透明度和公平性，並提供可行策略以在臨床中實施。透過文獻回顧，發現目前AI治理存在缺口，提出了適應性監管框架和可量化的可信度指標。研究強調多方參與和全球合作的重要性，以確保AI創新能解決醫療需求。實現可信賴的AI需要技術進步、倫理保障和持續合作，促進負責任的創新並提升病人結果。 PubMed DOI

將臨床數據整合成OMOP標準格式對數據共享和分析至關重要，但過程複雜且耗時。為解決這一問題，開發了一個友好的自動化工具，利用大型語言模型來轉換臨床試驗數據和電子健康紀錄。該工具採用三層語義匹配系統，並在驗證中展現出高準確性，精確度達0.92至0.99，召回率達0.88至0.97。這使得小型研究團隊能更輕鬆參與數據共享，對加速臨床研究數據標準化具有重要意義。 PubMed DOI

AI在醫療上雖能提升治療效果，但也常因資料不夠多元、邊緣族群代表性不足而產生偏見和不平等。為了確保公平，需用多元資料、修正偏見，並讓團隊更包容，同時推動公平審查、透明流程及國際合作，才能打造真正公平的醫療AI。 PubMed DOI