這項研究評估了紐約大學朗戈健康中心使用一款私人生成式人工智慧應用程式（GenAI Studio）的情況。六個月內，超過1007名員工申請使用權限，並在研究和臨床部門中活躍使用。使用者普遍認為這個工具易於操作，主要用於寫作、編輯、摘要、數據分析和創意發想。不過，使用上也面臨提示構建的困難及API限制等挑戰。研究顯示對GenAI的興趣強烈，並強調員工培訓在醫療環境中成功實施此技術的重要性。 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

將大型語言模型和生成式人工智慧應用於醫療領域，帶來新的法律風險，主要包括算法偏見和數據安全問題，可能侵犯個人權益。此外，醫療數據的管理和商業化也引發所有權爭議。隨著人工智慧的深入應用，醫療傷害的責任判定變得更複雜。為應對這些挑戰，需實施算法審查、加強數據管理、明確數據所有權及建立授權協議，並根據具體過失公平分配責任。 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

大型語言模型在醫療應用潛力大，但也帶來資安風險，像是病患隱私外洩、資料被竄改等。文章強調，開發和部署時一定要落實資安措施，才能保障病患資料安全。 PubMed DOI

奇美醫院自2019年起打造AI雲端平台，已在各科室導入30多項預測型AI工具。2023年再引進生成式AI（如GPT、語音轉文字），協助醫療文件處理，減輕醫護壓力、提升品質。這套安全平台也服務其他醫院，未來將持續擴展，推動醫療平權與縮小數位落差。 PubMed DOI

這篇論文提出 HELP-ME 三階段架構，能系統性評估並保護醫療大型語言模型的病患隱私，不會影響模型效能。它用提示詞檢測隱私問題，並透過混淆技術保護資料。實驗證明，HELP-ME 在真實醫療資料上能有效守護隱私，同時維持高診斷準確率，是醫療 LLMs 的實用安全方案。 PubMed DOI