慢性下背痛研究受到多方面因素影響，整合各領域資訊具挑戰性。人工智慧工具如語言模型、相似性圖和知識圖展現潛力，可幫助分析文獻、探索新觀點並提出假設。應用人工智慧於慢性下背痛研究，有助於整合知識、促進假設發展。 PubMed DOI

研究使用大型語言模型在電子健康記錄入口網站中回應患者訊息。CLAIR-Short和CLAIR-Long模型經醫師評估後，CLAIR-Long在同理心、反應速度和準確性表現較佳，提供更多患者教育內容。研究建議大型語言模型可增進患者與醫療提供者溝通。 PubMed DOI

這項研究探討使用大型語言模型（LLMs）來模擬和分析癲癇治療的隨機臨床試驗。LLMs被用來產生臨床數據並分析藥物效力和報告的症狀，顯示與人類評估有密切的一致性。這表明LLMs能夠有效地總結和綜合臨床數據，為未來臨床研究提供了一個有前途的工具，而不需要專門的醫學語言培訓。 PubMed DOI

纖維肌痛是個復雜的疾病，主要症狀是全身疼痛和情緒困擾，診斷很有挑戰性。患者常有認知和情緒變化，對疼痛相關資訊更敏感。研究指出，利用大型語言模型進行情感分析可幫助辨識疼痛表達中微妙的差異，尤其對於纖維肌痛的診斷有幫助。這項研究顯示，透過快速工程方法針對纖維肌痛的語言細微差異，能更準確地區分患者。未來還需進一步研究，包括與其他患者群體的驗證。 PubMed DOI

這項研究探討了大型語言模型（如GPT-4和Gemini）在根據病人的種族/族裔和性別建議鴉片類藥物處方的表現。研究分析了480個來自MIMIC-IV Note數據集的真實病人案例，發現曲馬多和羥考酮是最常被推薦的藥物。Gemini較GPT-4更可能將疼痛評為「嚴重」，並較晚建議使用鴉片類藥物。重要的是，這些模型的建議不受種族/族裔或性別影響，顯示出在疼痛管理上無偏見，可能成為醫生的有用工具。 PubMed DOI

這項研究探討大型語言模型（LLMs）在健康心理學中如何增強健康評估，旨在克服傳統統計和機器學習方法的限制。傳統方法因線性評分而準確性不足，而機器學習則在可解釋性和數據需求上有挑戰。研究提出的ScaleLLM利用LLMs的自然語言理解能力，提供健康量表的專家評估。實驗結果顯示，ScaleLLM在身心健康評估的準確性和可解釋性上都有所提升，成為該領域的一個有前景的工具。 PubMed DOI

這項研究強調質性反饋在計畫評估中的重要性，特別是理解病人經驗。透過使用大型語言模型（如ChatGPT），研究分析了82位病人在Empowered Relief疼痛教育課程中的回應，揭示了七個關鍵主題，包括音頻檔的使用、心態、技巧、社群支持、知識、工具與方法，以及自我覺察。這些發現顯示質性數據能捕捉病人經驗的細微差異，並為計畫改進提供資訊，促進以病人為中心的評估。 PubMed DOI

這項研究探討大型語言模型（LLMs）在急性疼痛情境下的鴉片類藥物處方建議中可能存在的偏見。研究人員測試了十個LLM，使用1,000個情境故事，發現邊緣化群體（如無家可歸者、黑人或LGBTQIA+）通常獲得較高的鴉片類藥物建議，甚至在癌症案例中超過90%。相對而言，低收入或失業者卻獲得較少建議，顯示模型推理的不一致性。這些結果強調了對模型偏見的評估必要性，並呼籲在LLMs中納入基於證據的檢查，以促進公平的疼痛管理。 PubMed DOI

這項研究評估大型語言模型（LLMs）在教育強直性脊柱炎（AS）和脊椎關節炎（SpA）患者的有效性，涵蓋182名參與者，包括4名風濕病學專家和178名患者。結果顯示，LLMs如ChatGPT-4o和Kimi在提供準確的醫療資訊上表現優於傳統指導，且患者對這些資訊的理解和接受度也較高。研究建議LLMs在醫療知識傳遞和患者教育上具潛力，未來可能成為醫療實踐中的重要工具。 PubMed DOI

慢性疼痛影響超過20%的人口，對個人和經濟造成重大影響。有效的疼痛評估工具對改善患者生活至關重要。這項研究探討使用大型語言模型（如GPT-4）來評估患者的書面敘述（WNs）。分析43份纖維肌痛症患者的WNs後，結果顯示GPT-4的評估與專家評分高度一致，且專家認為其評分和解釋通常合適。這表明GPT-4能有效增強WNs的評估，為慢性疼痛管理提供新方法。 PubMed DOI