大型語言模型（LLMs）在醫療保健領域，尤其是眼科領域，有潛在應用價值。一項回顧探討了LLMs在眼科教育、研究和臨床實踐中的應用，並討論了實施LLMs時的挑戰，如準確性、可解釋性、偏見和數據安全性。利害關係人需合作確保患者安全，並建立最佳實踐。註腳和披露部分可能提供更多資訊。 PubMed DOI

最新研究發現，人工智慧如ChatGPT-4在屈光手術領域有潛力，可幫助分類患者。研究顯示ChatGPT-4與醫師的判斷相當一致，但仍有限制，如樣本量小、依賴單一評定者及輸出變異性。未來需進一步研究，確保大型語言模型如ChatGPT-4在醫療決策中的準確性與適用性。 PubMed DOI

眼科護理中，LLMs像ChatGPT引起關注。研究指出在病人資訊、臨床診斷和眼科問題上有幫助。LLM表現受到迭代、提示和領域的影響。ChatGPT-4在眼科考試、症狀分類和提供資訊方面表現良好。LLMs有潛力，但在專業領域表現不盡理想。需要進一步研究，不可完全依賴人工智慧。設定標準並評估LLMs在臨床環境中的成功應用至關重要。 PubMed DOI

研究評估 ChatGPT 利用眼壓治療研究數據預測青光眼轉變能力。使用參與者參數轉換成 ChatGPT 文本查詢，ChatGPT4.0 預測準確率達75%，AUC為0.67，敏感度56%，特異度78%，加權 F1 分數0.77，優於ChatGPT3.5。研究顯示大型語言模型如ChatGPT在青光眼研究和臨床護理有潛力，尤其是結合眼科學和多模態數據、主動學習技術。 PubMed DOI

研究測試了ChatGPT-4在未經訓練下，辨識青光眼的能力，結果顯示準確率達90%，敏感度50%，特異度94.44%。顯示先進AI技術在眼科等醫學領域有潛力，或許能省時省力，提供新診斷工具，特別對資源不足的環境有幫助。 PubMed DOI

這項研究評估了ChatGPT 3.5和4.0版本在診斷青光眼方面的能力，使用了眼壓治療研究的數據。研究涵蓋1585名受試者的3170隻眼睛，並將臨床參數轉換為文本進行分析。結果顯示，ChatGPT 3.5的準確率為66%，而4.0則提升至87%。雖然4.0的整體準確率較高，但3.5在檢測青光眼的敏感性上表現更佳。這顯示ChatGPT在評估眼壓高的眼病上具有潛力，未來的多模態模型可能進一步提升診斷準確性。 PubMed DOI

這項研究評估了幾種大型語言模型（LLM）聊天機器人的表現，包括ChatGPT、Writesonic、Google Bard和Bing Chat，針對角膜相關情境的回應。三位專家使用標準化評分來評估準確性、理解力等指標。結果顯示，ChatGPT在準確性和全面性上表現最佳，得分3.35（滿分4分），而Google Bard在可讀性方面表現突出。所有回應均未對病人造成風險，顯示信息安全可靠。研究強調LLM在眼科的潛力，但仍需醫療專業人員的監督以確保病人安全。 PubMed DOI

這項研究評估了三個大型語言模型（LLMs）—ChatGPT-4.0、Google Gemini 和 Microsoft Copilot—在回答屈光手術相關問題的效果。兩位眼科醫生使用5點李克特量表評分25個常見問題的回答。結果顯示，ChatGPT-4.0的得分高於Microsoft Copilot，但與Google Gemini無顯著差異。根據DISCERN量表，ChatGPT-4.0的可靠性得分最高，但可讀性得分最低，顯示其答案對病人來說較為複雜。總體而言，ChatGPT-4.0提供了更準確的信息，但理解上較為困難。 PubMed DOI

這項研究評估了五個大型語言模型（LLMs）在回答眼表疾病相關問題的表現，包括ChatGPT-4、ChatGPT-3.5、Claude 2、PaLM2和SenseNova。研究團隊設計了100道單選題，涵蓋角膜炎等主題。結果顯示，ChatGPT-4的準確性和可信度最佳，成功率為59%，但仍有28%的錯誤率。PaLM2在答案準確性上表現良好，相關係數達0.8。整體而言，這些模型在醫學教育和臨床實踐中展現了潛力，特別是ChatGPT-4的表現尤為突出。 PubMed DOI

這項研究評估了三個大型語言模型—ChatGPT-3.5、ChatGPT-4o 和文心一言—在分析兒童近視治療的有效性。研究使用100份兒童病歷，模型評估介入必要性並建議治療方案。結果顯示，ChatGPT-4o 的準確率達90%，GQS為4.4，表現優於其他模型，尤其在處理不完整數據時更佳。總體而言，ChatGPT-4o 展現出卓越的準確性和臨床安全性，可能成為兒童眼科的有用決策支持工具，但仍需專家監督。 PubMed DOI