在使用電子病歷時，為了保護隱私，必須刪除受保護的健康資訊。研究發現，語言模型在識別代碼混合文本中的PHI方面有潛力，但需考慮規則性和未知詞彙的影響。建議在醫療環境中使用大型語言模型進行提示式學習，並重視數據安全性。未來研究可探討如何利用外部知識來提高PHI識別的準確性。 PubMed DOI

這篇論文討論了生成式人工智慧在醫療保健上的應用，包括診斷、藥物研發、虛擬健康助手、醫學研究和臨床決策。它強調整合生成式AI到醫療系統的優勢與挑戰，並強調解決安全和隱私問題的重要性。這研究提供未來發展生成式AI系統在醫療上的參考，也為考慮採用這些解決方案的組織提供了洞見。 PubMed DOI

隨著生成式人工智慧在醫療保健中的關注增加，學術醫療中心對安全基礎設施的需求愈加迫切。若缺乏全面的安全系統，研究人員可能會開發不安全的流程，導致受保護的健康資訊洩露或被不當用於AI模型訓練。為了解決這些問題，我們機構已建立安全通道，連接Azure OpenAI Service，並使用私人OpenAI實例，確保數據隱私。這樣的設置讓研究人員能合規且高效地利用大型語言模型，應用於醫療保健領域，強調集中式、安全AI解決方案的重要性。 PubMed DOI

隨著醫療保健對先進分析的需求增加，合成健康數據的使用變得愈加重要，尤其是在獲取真實健康數據的挑戰下。大型語言模型（LLMs）的進展為生成合成健康數據提供了新機會，但也帶來潛在風險。本文綜述了合成健康數據生成（SHDG）及LLM的研究，探討生成對抗網絡等機器學習模型的現狀與局限性。SHDG面臨的挑戰包括評估指標、數據效率、健康公平等，雖然LLMs在某些方面顯示潛力，但深入研究其優缺點仍然至關重要。 PubMed DOI

這篇摘要強調生成式人工智慧和大型語言模型在醫療保健中的重要性，指出它們能提升病人護理、研究及行政效率。不過，這些技術也帶來了安全和倫理挑戰，需採取全面措施以保障數據隱私和倫理使用。提出的AI醫療聊天機器人部署流程，專注於隱私保護技術和持續安全評估，以建立醫療應用中的信任與韌性。這種方法對於在敏感環境中最大化AI的好處並降低風險至關重要。 PubMed DOI

電子健康紀錄（EHRs）與大型語言模型（LLMs）結合使用時，隱私挑戰不容忽視。雖然GDPR和HIPAA提供基本保護，但仍需具體策略來降低風險。可採用以下方法： 1. **本地部署LLMs**：在設備上運行，確保健康數據不外洩。 2. **合成數據生成**：創建模擬數據，保護病人隱私。 3. **差分隱私**：在數據中添加噪音，防止推斷個人信息。 4. **去識別化**：移除可識別信息，遵守隱私法規。 透過這些策略，組織能在利用生成式AI的同時，強化病人隱私保護。 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

這篇論文針對醫療領域中安全實施大型語言模型（LLMs）的需求，提供了具體指導方針。雖然LLMs有助於改善醫療功能，但目前缺乏實用建議。作者提出逐步方法，包括保護病人隱私、調整模型以符合醫療需求、微調超參數、設計醫療提示、區分臨床決策支持應用、評估輸出質量及建立模型治理框架。此外，論文介紹了ACUTE助記符，幫助評估LLM回應的準確性、一致性、語義不變性、可追溯性及倫理考量，旨在協助醫療機構安全整合LLMs。 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

這項研究探討如何將電子健康紀錄（EHRs）與自然語言處理（NLP）及大型語言模型（LLMs）結合，以改善醫療數據管理和病人照護。研究使用MIMIC III數據集，採用GPT-3.5、GPT-4等模型生成符合HIPAA要求的合成病人紀錄。結果顯示，基於關鍵字的方法在隱私保護上風險較低，且保持良好性能，建議未來可考慮使用虛擬的PHI來提升實用性與隱私保護。 PubMed DOI