Does synthetic data augmentation improve the performances of machine learning classifiers for identifying health problems in patient-nurse verbal communications in home healthcare settings?
合成數據增強是否能提高機器學習分類器在家庭醫療環境中識別患者-護士口頭溝通中健康問題的表現？ J Nurs Scholarsh 2024-07-03

在家庭照護中運用機器學習辨識健康問題對成效至關重要。研究指出，透過GPT-4生成虛擬患者-護士對話資料並自動標記問題，結合真實與虛擬資料，機器學習分類器在辨識健康問題上有更佳表現。這項研究凸顯了虛擬資料在醫療分析中的潛力，對提升家庭照護患者複雜病況問題檢測的準確性與效率有所助益。 PubMed DOI

Unmasking and quantifying racial bias of large language models in medical report generation.
揭示與量化大型語言模型在醫療報告生成中的種族偏見。 Commun Med (Lond) 2024-09-10

大型語言模型（LLMs），像是GPT-3.5-turbo和GPT-4，對醫療專業人員有潛在的協助能力，但可能帶有訓練數據中的偏見，影響其在醫療情境中的有效性。本研究分析這些模型在預測住院、費用和死亡率時的表現，發現它們對白人族群的預測較高，且在困難醫療情況下過於樂觀。這些偏見反映了醫療不平等，強調了進一步研究的必要性，以減少語言模型中的偏見，確保所有病患都能獲得公平和準確的醫療結果。 PubMed DOI

Large language models generating synthetic clinical datasets: a feasibility and comparative analysis with real-world perioperative data.
大型語言模型生成合成臨床數據集：可行性及與真實世界圍手術數據的比較分析。 Front Artif Intell 2025-02-20

這項研究探討使用OpenAI的GPT-4o生成合成臨床數據，以解決隱私法規和數據稀缺的問題。研究分為兩個階段：第一階段根據13個臨床參數創建了6,166個案例的結構化數據集，數據合理且準確；第二階段則利用真實的圍手術期數據集VitalDB生成數據，結果顯示92.31%的參數與VitalDB相似，且大多數參數間無顯著差異。研究顯示GPT-4o能有效生成反映實際臨床數據的合成數據，未來應進一步提高數據真實性並探索大型語言模型的潛力。 PubMed DOI

Using Synthetic Health Care Data to Leverage Large Language Models for Named Entity Recognition: Development and Validation Study.
使用合成健康照護數據來利用大型語言模型進行命名實體識別：開發與驗證研究。 J Med Internet Res 2025-03-18

這項研究針對低資源語言，特別是愛沙尼亞語，開發命名實體識別（NER）模型，目的是從醫療記錄中提取重要的醫療實體。由於缺乏標註數據，作者提出三步驟方法：首先，利用本地訓練的GPT-2生成合成醫療數據；接著，使用GPT-3.5-Turbo和GPT-4對這些數據進行標註；最後，微調NER模型並測試真實醫療文本。研究結果顯示，藥物提取的F<sub>1</sub>分數為0.69，程序提取為0.38，顯示出在藥物識別上的有效性，並指出程序提取的挑戰。這方法為未來在其他語言的研究提供了新方向。 PubMed DOI

Utility-based Analysis of Statistical Approaches and Deep Learning Models for Synthetic Data Generation With Focus on Correlation Structures: Algorithm Development and Validation.
基於效用的統計方法和深度學習模型在合成數據生成中的分析：關注相關結構的算法開發與驗證。 JMIR AI 2025-03-20

最近生成對抗網絡（GANs）和大型語言模型（LLMs）的進展，提升了醫療數據的生成與增強，對機器學習應用至關重要，尤其在數據隱私受到關注的情況下。研究評估了多種合成數據生成（SDG）方法的有效性，並以隨機森林為基準，分析其在下游任務中的表現。結果顯示，統計方法如synthpop在各種情況下表現優於深度學習方法，特別是在小型數據集上。研究強調特徵與目標變量的相關性對模型效用影響更大，synthpop顯示出更高的穩健性。 PubMed DOI

Inherent Bias in Large Language Models: A Random Sampling Analysis.
大型語言模型中的固有偏見：隨機抽樣分析。 Mayo Clin Proc Digit Health 2025-04-10

這項研究探討了生成式人工智慧模型中的偏見，特別是這些偏見如何影響醫療環境中的臨床決策。研究使用OpenAI的GPT-4模擬醫生在資源有限的情況下選擇病人。結果顯示，醫生在種族、性別、年齡等方面存在顯著偏見，男性醫生偏好男性病人，女性醫生則偏好女性病人。此外，政治立場和性取向也影響醫生的選擇。研究強調，若不採取適當措施，這些偏見可能對病人結果造成不利影響。 PubMed DOI

The imperative of diversity and equity for the adoption of responsible AI in healthcare.
醫療領域採用負責任AI所需多元性與公平性的必要性 Front Artif Intell 2025-05-01

AI在醫療上雖能提升治療效果，但也常因資料不夠多元、邊緣族群代表性不足而產生偏見和不平等。為了確保公平，需用多元資料、修正偏見，並讓團隊更包容，同時推動公平審查、透明流程及國際合作，才能打造真正公平的醫療AI。 PubMed DOI

Mitigating the risk of health inequity exacerbated by large language models.
減緩由大型語言模型加劇的健康不平等風險 NPJ Digit Med 2025-05-03

近期LLM在醫療應用上進步很快，但輸入多餘的社經細節（如種族、收入、LGBT+身份）可能讓結果產生偏見，甚至加劇健康不平等。為此，作者提出EquityGuard框架，能偵測並減少這些不公平風險，實驗證明能讓不同族群獲得更公平的醫療建議。 PubMed DOI

Evaluation and Bias Analysis of Large Language Models in Generating Synthetic Electronic Health Records: Comparative Study.
大型語言模型在生成合成電子健康紀錄的評估與偏誤分析：比較性研究 J Med Internet Res 2025-05-12

這項研究評估7種大型語言模型產生的14萬筆合成電子健康紀錄，發現模型越大，資料越完整，但性別和種族偏見也越明顯。性別偏見多反映現實疾病分布，種族偏見則不一致，部分模型高估White或Black患者，低估Hispanic和Asian族群。研究強調AI健康資料需兼顧準確性與公平性，並呼籲建立更完善的偏見評估標準。 PubMed DOI

A review on generative AI models for synthetic medical text, time series, and longitudinal data.
生成式 AI 模型於合成醫療文本、時間序列與縱向資料之綜述 NPJ Digit Med 2025-05-15

這篇回顧分析52篇合成健康紀錄（SHRs）研究，涵蓋醫療文本、時間序列和縱向資料。多數研究聚焦於隱私保護，也有解決資料不平衡、稀缺和補值問題。結果顯示，縱向資料以對抗式網路最佳，時間序列適合機率模型，醫療文本則以大型語言模型表現最優。目前最大缺口是缺乏有效評估合成資料再識別風險的方法。 PubMed DOI

原始文章

站上相關主題文章列表