大型語言模型（LLMs）如GPT-3已經改變了人工智慧領域，但在應對輻射緊急情況的應用尚未被充分探索。研究討論了LLMs如何協助理解和因應輻射緊急情況，並提出了潛在應用案例。研究強調了專家引導和領域特定的LLMs對於提供可靠資訊的重要性。該研究旨在協助輻射緊急情況從業人員和決策者有效地整合LLMs到其決策過程中。 PubMed DOI

使用大型語言模型（LLMs）如ChatGPT、OPT-13B和OPT-30B可以幫助自動生成高品質的戒菸干預訊息，這些訊息模仿專家的寫作風格。研究顯示，這些由LLM生成的訊息在品質、準確性、可信度和說服力方面符合臨床標準，使它們成為增強戒菸干預的寶貴工具。 PubMed DOI

新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 PubMed DOI

這篇文章探討了人工智慧，特別是像ChatGPT這樣的大型語言模型在急診醫學和重症護理中的重要角色。它提到ChatGPT在診斷支持、臨床文檔和病人溝通等方面的應用，並指出其表現可與人類專業人士媲美。文章也強調了它在臨床決策和藥物選擇中的潛力，能提升病人護理品質。不過，將這些模型應用於醫療也帶來法律、倫理和隱私等問題，需持續研究和監管以確保其負責任的使用。 PubMed DOI

大型語言模型（LLMs），如OpenAI的GPT系列，在醫學領域展現潛力，特別是在腫瘤學中。研究評估了LLM在分類化療引起的主觀毒性方面的能力，結果顯示LLM在一般毒性類別的準確率為85.7%，但在特定類別的準確率僅為64.6%。雖然LLM的表現與腫瘤科醫生相當，但特定類別的準確性仍需改進。未來研究應聚焦於真實病人的驗證及即時互動能力，並考量數據準確性和隱私等倫理問題。總體而言，LLMs有潛力提升病人護理質量與效率。 PubMed DOI

這篇論文探討基因數據在疾病診斷與治療中的重要性，特別是癌症研究，並指出將這些數據整合進臨床護理的挑戰，如電子健康紀錄的結構、保險成本及基因結果的可解釋性。研究也提到人工智慧（AI）和大型語言模型（LLMs）在解決這些問題上的潛力。儘管AI在醫學研究中的成功有限，但基於大量數據訓練的LLMs在基因分析上顯示出希望。研究評估了GPT模型在基因表達數據的預測能力，並與傳統機器學習方法進行比較，以探討其在預測癌症亞型的潛力。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在從腫瘤科電子健康紀錄中提取患者共病情況的表現。研究分析了250份病歷報告，結果顯示GPT-4在敏感性上表現優於GPT-3.5和醫生，達到96.8%。雖然醫生在精確度上稍勝一籌，但GPT-4的表現更一致，且能推斷出非明確的共病情況。整體而言，這些模型在提取資訊方面顯示出潛力，可能成為數據挖掘的重要工具。 PubMed DOI

隨著微塑料對健康影響的關注增加，對高品質數據的需求也隨之上升。目前的質量保證和控制（QA/QC）框架因手動評估耗時且不一致而面臨挑戰。本研究探討利用人工智慧（AI），特別是大型語言模型（LLMs），如ChatGPT和Gemini，來提升微塑料研究中的QA/QC過程。研究結果顯示，AI能有效提取信息並評估研究可靠性，顯示出在環境科學中標準化微塑料風險評估的潛力。 PubMed DOI

這項研究探討大型語言模型（LLMs）在疾病風險評估中的應用，特別是對COVID-19嚴重程度的預測。與傳統機器學習方法不同，LLMs透過對話式人工智慧實現即時、無需編碼的風險評估。研究比較了LLaMA2-7b和Flan-T5-xl等預訓練模型與傳統分類器的表現，發現LLMs在低數據環境中表現優異，能有效處理非結構化輸入，並提供個性化見解，顯示其在臨床環境中的潛力。 PubMed DOI

這項研究探討大型語言模型-進階數據分析（ADA）在預測肺癌患者生存結果的應用，並強調其對護理實務的意義。研究分析了737名肺癌患者的數據，開發了三個機器學習模型，隨機森林模型的預測準確性最佳。關鍵預測特徵包括術前白血球計數、肺功能和動脈氧飽和度等。結論指出，ADA能協助醫療人員運用先進分析技術進行生存預測，並強調術前因素的重要性及進一步驗證的必要性。 PubMed DOI