研究使用OpenAI的GPT-4開發AI助手，解釋藥物基因測試結果，提升臨床遺傳學決策，改善患者護理。AI助手採用RAG技術，結合CPIC數據庫，針對用戶提供個人化回答。相較ChatGPT 3.5，表現更佳，尤其在專業查詢方面。需改進回答準確性、相關性和語言表達。整合GPT-4與RAG提升效能，利用CPIC數據。挑戰在提高準確性、解決道德問題，發展專業基因/藥物模型。研究凸顯生成式AI在醫療支援和患者獲取複雜基因組學資訊的潛力。謹慎應用大型語言模型如GPT-4，可顯著提升對基因組學數據的理解，增進醫療服務。 PubMed DOI

研究團隊開發了RAG模型，針對八年級的糖尿病患者提供準確的醫學資訊，特別是有關糖尿病和糖尿病足的護理。透過人工智慧技術，經驗證後，問題回答的準確率高達98%，顯示了它在提供友善醫療資訊方面的潛力。這個模型可以成為糖尿病患者教育和自我管理的重要工具，凸顯了內容驗證和創新提示在人工智慧應用中的重要性。 PubMed DOI

這篇論文介紹了一款原型手機應用程式，目的是簡化從複雜藥物說明書中檢索資訊的過程，提升藥物管理。這款應用程式利用大型語言模型自動提取資訊，使用者只需掃描藥物包裝，就能快速獲得奧地利藥品目錄的相關細節。提取的資訊會在應用程式中整理並清楚呈現，讓使用者更容易理解。此外，應用程式還提供多種功能，幫助使用者更自信、輕鬆地管理複雜的用藥時間表和劑量。 PubMed DOI

這項研究評估了大型語言模型（LLMs）在藥物審查中的表現，特別是劑量錯誤、藥物相互作用及基因組學建議的能力。研究測試了四個LLM，發現ChatGPT在劑量方案上表現良好，但對simvastatin的問題有例外。所有LLM都能識別warfarin的相互作用，但錯過metoprolol和verapamil的相互作用。Claude-Instant在治療監測上提供適當建議，而Gemini在基因組學上表現不錯。研究指出，LLM在藥物審查中有潛力，但整合進醫療系統對病人安全至關重要。 PubMed DOI

最近大型語言模型在醫療和製藥領域的進展顯著。本研究評估了六個主要模型在回答患者自我照護問題的表現，重點在準確性和上下文敏感性。結果顯示，這些模型通常能提供準確的健康資訊，但回應存在變異，有些建議可能不安全。影響答案質量的因素包括語言、問題結構和使用者背景。GPT 4.0 獲得最高分，研究強調需謹慎驗證資訊，以降低錯誤風險，並建立基準以改善人工智慧在自我照護中的應用。 PubMed DOI

這項研究評估大型語言模型（LLMs）在改善電子處方流程中的有效性，特別是針對用藥指示的清晰度和個人化。研究人員根據巴西的電子處方標準，開發了以病人為中心的指導方針，並測試了三種不同的提示。結果顯示，第三個提示顯著提升了輸出的適切性，達到94.3%的可接受性，且個人化評價也相當高。雖然封閉源LLM在前兩個提示中出現性別偏見，但第三個提示成功消除了這種偏見。整體而言，這項研究顯示LLMs在促進醫療溝通方面的潛力。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是OpenAI的GPT-4，如何提升自然語言查詢（NLQs）轉換為藥物監測（PV）數據庫中的SQL查詢的準確性。研究分三個階段，變化查詢複雜度，並評估有無商業上下文文件的效果。結果顯示，NLQ轉換為SQL的準確性從8.3%提升至78.3%，在所有複雜度層級中均一致。排除高複雜度查詢時，準確率可達85%。這項研究對非技術用戶在數據密集型領域的信息可及性具有重要意義。 PubMed DOI

這項研究探討檢索增強生成（RAG）模型在術後鼻整形問題上的應用，目的是提升人工智慧在醫療中的準確性與可靠性。研究評估了四個RAG模型對30個常見病人詢問的回應，結果顯示雖然41.7%的回應完全準確，但非回應率高達30.8%，顯示理解上下文的挑戰。Gemini-1.0-Pro-002在全面性上表現佳，但可讀性和易懂性不足，而PaLM 2的可行性評分最低。這項研究強調了RAG在減輕醫師負擔和提升病人參與度的潛力，但也指出在臨床應用中需解決非回應和上下文理解的問題。 PubMed DOI

這篇論文探討了一個智能藥物助手的開發，目的是透過個性化的藥物建議來改善抑鬱症治療。助手利用先進技術，如大型語言模型（LLMs），分析病人的病歷和健康狀況，提供更準確的建議。研究分析了40個需要精神科監測的案例，測試了十個LLMs，結果顯示商業模型GPT-4的表現優於開源模型Llama-3，顯示出在心理健康領域的顯著進步。 PubMed DOI

與藥物相關的傷害對全球醫療成本和病人結果影響深遠。生成式人工智慧（GenAI）和大型語言模型（LLM）在降低這些風險上展現潛力。本次回顧分析了2012年1月到2024年10月的文獻，找到3988篇文章，最終納入30篇。GenAI和LLM的應用可分為三個領域：識別藥物相互作用、提供臨床決策支持及增強藥物監測。雖然這些模型在早期識別不良藥物事件上有潛力，但尚缺乏前瞻性測試，需進一步研究其整合與實際應用。 PubMed DOI