這項研究評估了GPT-4解讀12導程心電圖的能力，分析了150份心電圖，並將其分類為心律不整、傳導系統異常、急性冠狀動脈症候群等。結果顯示，GPT-4在無臨床背景下的正確率僅19%，但加入臨床情境後提升至45%。特別是在急性冠狀動脈症候群中，準確率從10%增至70%。雖然GPT-4在心電圖解讀上顯示潛力，但準確性受限於臨床背景，顯示目前不適合單獨使用。 PubMed DOI

這項研究探討多模態大型語言模型（LLMs）在12導程心電圖（ECG）影像上進行零樣本視覺問題回答（VQA）的應用。結果顯示，雖然模型能提供答案，但在準確提取和描述影像特徵方面常出現錯誤。相比之下，它們在描述前提條件和邏輯推理上表現較好。研究強調提升影像特徵準確性的重要性，並指出僅依賴多選題的正確率無法全面評估VQA系統的表現，顯示出解釋複雜醫學影像的挑戰與限制。 PubMed DOI

這項研究評估了基於ChatGPT的AI模型在解讀心電圖（ECG）的效果，並與心臟科醫生進行比較。分析了107個不同難度的ECG案例，結果顯示心臟科醫生的準確率為92.52%，遠高於AI模型的57.94%至62.62%。雖然AI在女性患者的表現較佳，但整體上仍不如醫生。研究指出，AI模型在ECG解讀上有潛力，但目前的可靠性不足，需進一步研究以提升準確性，特別是在複雜診斷方面。 PubMed DOI

這項研究探討如何透過增強心電圖（ECG）數據，結合心率變異性（HRV）和人口統計資訊（年齡、性別），來提升心房顫動（AF）的檢測準確性。AF是一種常見病症，早期檢測對預防中風和心臟衰竭至關重要。研究分析了35,634份經醫生驗證的ECG記錄，並測試了多種卷積神經網絡模型。結果顯示，整合HRV和人口統計數據顯著提升檢測性能，尤其在靈敏度上有明顯改善，顯示出多模態方法的潛力，未來仍需臨床驗證。 PubMed DOI

這項研究開發了一種利用大型語言模型（LLMs）從電子健康紀錄（EHR）中識別健康狀況的策略，解決了手動標記的繁瑣問題。研究將2015年的心臟登記隊列與阿爾伯塔省的EHR系統結合，分析臨床筆記以檢測急性心肌梗塞、糖尿病和高血壓。結果顯示，LLM方法在敏感度和陰性預測值上優於傳統ICD代碼，且檢測趨勢穩定。這種方法有潛力提升EHR在即時疾病監測中的應用效率。 PubMed DOI

這項研究探討心血管韌性對運動員健康和表現的影響，並利用自然語言處理（NLP）和大型語言模型（LLMs）進行生物醫學診斷。研究針對心電圖和臨床記錄等數據集的挑戰，提出了一個混合機器學習框架，結合狼群搜索演算法和RoBERTa模型，提升心血管疾病預測準確性。該系統達到92.5%的準確率，顯示NLP技術在個人化醫療中的潛力，能優化心臟病患者的治療，並改善早期疾病檢測和臨床決策能力。 PubMed DOI

開源大型語言模型能準確擷取心臟超音波報告的重點資料，像是瓣膜疾病嚴重度和人工瓣膜有無，對建立大規模資料庫和疾病監控很有幫助。經過優化後，像Llama3.0-70B、Qwen2.0這些頂尖模型準確率超過98%，但處理速度較慢。小型模型判斷嚴重度較不準，但辨識人工瓣膜還不錯。主要錯誤來自分心或沒照指示。整體來說，LLMs自動化擷取資料很有潛力，但要兼顧準確和效率。 PubMed DOI

研究團隊用開源大型語言模型微調，讓它們能自動整理心臟超音波報告。其中 EchoGPT（基於 Llama-2）表現最好，產出的總結精簡度幾乎和心臟科醫師寫的一樣好。這技術有望加快報告產出速度又不影響品質，但目前評估 AI 報告的方法還需要改進。 PubMed DOI

這項研究發現，用大型語言模型自動產生心臟衰竭住院摘要，能幫助部分醫師更快回答問題，且準確率沒變。大多數醫師認為這樣能省時間，也願意使用，但摘要格式要配合個人需求。整體來說，LLM有助提升醫師效率，但摘要內容還需客製化。 PubMed DOI

研究團隊開發出ECGFounder這個心電圖AI模型，利用超過一千萬筆資料訓練，能處理多種心電圖格式，並針對不同任務微調。它在80種診斷上表現媲美專家（AUROC超過0.95），外部測試也很穩定，整體表現優於現有模型。這項技術有助提升心臟疾病診斷效率，未來也能應用在穿戴式裝置上，推動智慧醫療發展。 PubMed DOI