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

這項研究評估了四種大型語言模型（LLM）工具——ChatGPT、Google Bard、Microsoft Bing Chat 和 Google SGE——在提供癌症兒童照顧者資訊的有效性。研究使用26個常見問題，五位小兒腫瘤學專家根據多項標準進行評估。結果顯示，ChatGPT整體表現最佳，特別在複雜性上，而Google Bard在準確性和清晰度上表現突出。Bing Chat和Google SGE得分較低。專家強調情感語調和同理心的重要性，未來需進一步研究這些工具在其他醫療領域的應用。 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），特別是GPT-4o，在公共衛生文件分析中的應用，像是社區健康改善計畫。研究比較了GPT-4o的半自動化輸出與人類分析師的表現。 主要發現包括： 1. **準確性**：GPT-4o的抽象準確率為79%，錯誤17次；人類分析師則為94%，錯誤8次。數據綜合方面，GPT-4o準確率僅50%，錯誤9次。 2. **時間效率**：GPT-4o在數據抽象上耗時較少，但考慮到提示工程和修正錯誤，實際節省不明顯。 3. **謹慎態度**：建議公共衛生專業人員謹慎使用生成式AI，權衡資源節省與準確性問題。 總之，GPT-4o在公共衛生內容分析上有潛力，但需注意其限制。 PubMed DOI

這項研究評估了兩個大型語言模型（LLMs），ChatGPT 和 Gemini，對自免疫接種後不良事件（AEFIs）因果關係的自動評估能力，特別針對 COVID-19 疫苗相關的心肌炎和心包炎。分析了美國疫苗不良事件報告系統（VAERS）中的 150 例案例。結果顯示，ChatGPT 的遵循度較高（34%），而 Gemini 僅為 7%。ChatGPT 與人類專家的中度一致性為 71%，而 Gemini 則為 53%。雖然兩者在識別 AEFIs 時都有困難，但 ChatGPT 的表現明顯優於 Gemini，更適合作為人類專業知識的輔助工具。 PubMed DOI

這項研究探討了生成預訓練變壓器（GPT）模型，特別是GPT-3.5、GPT-4和GPT-4o，如何在非結構化病人筆記中識別與免疫檢查點抑制劑（ICI）療法相關的免疫相關不良事件（irAEs）。分析了442名病人，發現常見的irAEs包括肺炎、結腸炎、皮疹和肝炎。雖然GPT模型在敏感性和特異性上表現良好，但正向預測值中等，顯示出過度預測的傾向。GPT-4o在血液、胃腸和肌肉骨骼類別中表現最佳。研究建議這些模型可自動化檢測irAEs，減輕醫療人員負擔，增強病人安全監測。 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

AI大型語言模型正改變癌症研究，能協助資料擷取、分析、病患配對及多元資料整合，讓流程更有效率、決策更快速。不過，資料隱私、準確性、成本和法規等問題，還是需要特別注意。 PubMed DOI

這項研究發現，LLM像ChatGPT-4o能快速抓到結構和後勤主題，但人類分析師更能掌握情感和心理細節。結合兩者分析，有助提升健康研究的廣度和深度。作者建議未來可採用這種混合方式。 PubMed DOI