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）整合進電子健康紀錄（EHRs）中，雖然能提升數據分析和病患照護，但也帶來隱私、法律及操作上的挑戰。主要問題包括病患未經同意的數據使用、缺乏監管、AI醫療失誤責任不明、數據偏見及重用風險。為了保護病患，特別是脆弱族群，臨床醫師應推動病患教育、倫理實踐及健全監督，確保LLMs的使用既安全又有效。 PubMed DOI

人工智慧（AI）在醫療保健的應用已經顯著改變了診斷和治療方式，特別是在資源不足的環境中，能有效縮小醫療差距。不過，為了在這些地方負責任地實施AI，必須考量當地需求及公平醫療的挑戰。研究指出成功實施AI的四大關鍵：基礎設施需求、部署與數據管理、教育與訓練，以及負責任的AI實踐。透過這些領域的專注，能促進AI的可持續整合，提升醫療服務的可及性。 PubMed DOI

1978年的阿爾瑪-阿塔宣言推動了普及健康的轉變，WHO隨後倡導健康城市。1984年多倫多會議後，這一概念受到重視，1986年在里斯本啟動首個試點項目。最近的研究調查了九個亞洲國家在數位健康城市的能力，結果顯示需建立網絡支持數位健康倡議。柬埔寨面臨電力和基礎設施挑戰，南韓強調遠距醫療，中國則專注數據庫建設。研究強調大數據政策及個人信息保護，並建議提升數位素養以確保倡議有效性。 PubMed DOI

這項研究強調在醫療保健中開發人工智慧工具時，必須納入多元病患的觀點，特別是針對種族和族裔少數群體。調查邀請了230名來自這些群體的參與者，結果顯示雖然許多人對人工智慧有基本了解，但對其在醫療和皮膚科的應用認識不足。參與者對醫療系統的信任程度因收入而異，且不少人對自己的數據被用於人工智慧開發感到不安，並認為應該獲得補償。這項研究強調納入多元聲音的重要性，以確保公平的醫療解決方案。 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

這項研究開發了一套半自動化流程，把兩家醫院的電子健康紀錄（EHR）flowsheet欄位，對應到標準護理概念（CCC）。方法結合精確、詞彙和語意（含大型語言模型）比對，成功對齊數萬筆資料。前三個推薦標準概念的對齊成功率超過96%，大幅提升EHR資料標準化效率，也減少人工對應的負擔。 PubMed DOI