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

大型語言模型（LLMs）在臨床實踐中有潛力提升病人教育與賦權，提供更個人化的醫療服務。然而，目前對其在病人照護中的應用資訊仍不夠完整。本系統性回顧分析了2022至2023年間的89項相關研究，主要集中於GPT-3.5和GPT-4，應用於回答醫療問題、生成病人資訊等。研究指出設計和輸出方面的限制，包括缺乏針對醫療的優化及數據透明度等問題。此回顧為LLMs在醫療環境中的應用與評估提供了基礎框架。 PubMed DOI

這項研究探討開源大型語言模型（LLMs）在從電子健康紀錄（EHRs）中提取社會健康決定因素（SDoH）數據的效果。研究隨機選取200名患者，並由兩位審查者手動標記九個SDoH方面，達成93%的高一致性。結果顯示，LLMs的表現明顯優於基準模型，特別是在識別明確提及的SDoH方面。最佳模型openchat_3.5在所有SDoH方面的準確率最高。研究強調進一步精煉和專業訓練的潛力，以提升LLMs在臨床研究中的應用，最終改善醫療結果。 PubMed DOI

大型語言模型（LLMs）如BERT和GPT的發展，推進了自然語言處理，特別是在心理健康支持方面。不過，這些模型在提供可靠的心理健康資訊上仍有疑慮。本次回顧將探討影響LLMs可信度的因素，重點在可靠性、可解釋性和倫理考量。 根據PRISMA-ScR指導原則，回顧將納入2019至2024年期間的相關研究，並由兩位獨立審查者進行數據篩選。系統性搜尋已完成，篩選階段進行中，數據提取預計在2024年11月初完成，綜合分析則在11月底前完成，結果將為實務工作者和政策制定者提供重要見解。 PubMed DOI

這篇評論強調了在胃腸病學和肝臟病學領域，自然語言處理（NLP）和大型語言模型（LLMs）的進展。根據PRISMA指導原則，分析了2003至2024年間的57項研究，顯示2023至2024年相關出版物顯著增加，特別是針對GPT-3和GPT-4等模型。 主要發現指出，NLP模型在從電子健康紀錄中提取資料方面有所改善，並能高精確度識別疾病特徵。儘管這些技術在提升診斷和治療潛力上表現良好，但在日常臨床實踐中的整合仍面臨挑戰，未來研究應聚焦於其實際應用價值。 PubMed DOI

機器學習，特別是大型語言模型（LLMs），越來越受到重視，能協助健康研究中的系統性回顧（SR）。研究團隊在多個資料庫中搜尋，自2021年4月以來共找到8,054個結果，並手動補充33篇，最終納入37篇專注於LLM應用的文章。分析顯示，LLMs在SR的13個步驟中使用了10個，最常見的應用為文獻搜尋、研究選擇和數據提取。雖然LLMs顯示潛力，但許多應用尚未經過驗證，顯示出這一領域的研究需求日益增加。 PubMed DOI

大型語言模型（LLMs）對醫療領域的自然語言處理（NLP）影響深遠，近期的研究顯示，專為醫療文本設計的LLMs逐漸受到重視。這篇回顧分析了基於LLMs的生物醫學NLP，資料來源涵蓋多個學術平台，重點在醫學文獻、電子健康紀錄（EHRs）及社交媒體。雖然通用LLMs如GPT-4被廣泛使用，但針對特定應用的自訂LLMs趨勢上升。傳統模型在某些任務上仍優於新型LLMs，但後者在少量學習和生成任務中表現佳。未來研究需關注評估、偏見及公平性等議題。 PubMed DOI

慢性病是全球主要死因，LLMs（像ChatGPT）在管理慢性病上有潛力，能提供準確、易懂的健康建議，幫助病人自我管理和獲得支持。專業型LLMs表現更好，但目前證據有限，還有隱私、語言和診斷等挑戰。臨床應用還在初期，未來需加強資料安全、專業化和與穿戴裝置整合。 PubMed DOI

這篇研究針對電子病歷中難以提取健康社會決定因素（SDoH）問題，從四家醫院建立標註資料集，涵蓋21種SDoH，並用多種模型（包含大型語言模型）進行偵測。經過指令微調的LLMs表現最佳，F1值都很高，但模型跨醫院應用仍有困難。訓練好的模型已公開在GitHub。 PubMed DOI

這篇研究發現，大型語言模型（LLMs）能自動化文獻篩選和資訊擷取，顯著提升數位健康科技（DHTs）相關隨機對照試驗（RCTs）文獻回顧的效率。不過，DHT在實際醫療應用上還有待克服一些挑戰。 PubMed