Large Language Models Outperform Traditional Natural Language Processing Methods in Extracting Patient-Reported Outcomes in Inflammatory Bowel Disease.
大型語言模型在提取炎症性腸病患者報告結果方面優於傳統自然語言處理方法。 Gastro Hep Adv 2025-01-29

這項研究探討如何從電子健康紀錄中提取與炎症性腸病（IBD）相關的病人報告結果（PROs），比較了傳統自然語言處理（tNLP）和大型語言模型（LLMs）如GPT-4的表現。研究發現，GPT-4在提取腹痛、腹瀉和糞便血的準確率上均優於tNLP，特別是在外部驗證中保持高準確率。這顯示LLMs在IBD研究和病人護理中具有良好的應用潛力，且不受人口統計或診斷偏見影響。 PubMed DOI

Evaluating large language models as a supplementary patient information resource on antimalarial use in systemic lupus erythematosus.
評估大型語言模型作為系統性紅斑狼瘡抗瘧藥使用的補充病患資訊資源。 Lupus 2025-02-27

這項研究評估了三種大型語言模型（LLMs）—Copilot、GPT-3.5 和 GPT-4—在提供抗瘧疾藥物對系統性紅斑狼瘡（SLE）使用的準確性和完整性。研究設計了十三個問題，兩位風濕病學專家對模型回應進行評分。結果顯示，雖然準確性高，但完整性差異明顯：Copilot 38.5%，GPT-3.5 55.9%，GPT-4 92.3%。特別是在「作用機制」和「生活方式」方面，GPT-4 完整性達100%。研究指出，GPT-4 有潛力改善病人對 SLE 治療的理解，但仍需進一步研究以克服臨床應用的限制。 PubMed DOI

Inductive reasoning with large language models: A simulated randomized controlled trial for epilepsy.
大型語言模型的歸納推理：針對癲癇的模擬隨機對照試驗。 Epilepsy Res 2025-02-28

這項研究探討了人工智慧，特別是大型語言模型（LLMs），在模擬隨機臨床試驗中對癲癇藥物cenobamate的應用。試驗包含240名患者，分為安慰劑組和全劑量藥物組。AI能準確分析臨床筆記，評估藥物的療效與安全性，結果顯示AI分析與人類分析相近，僅在療效識別上有小差異。這顯示AI在未來臨床研究中具備高效且可擴展的潛力，能減少對傳統數據挖掘方法的需求。 PubMed DOI

LLM-Guided Pain Management: Examining Socio-Demographic Gaps in Cancer vs non-Cancer cases.
LLM 指導的疼痛管理：檢視癌症與非癌症病例中的社會人口差距。 medRxiv 2025-03-17

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

Evaluating the performance of large language models in health education for patients with ankylosing spondylitis/spondyloarthritis: a cross-sectional, single-blind study in China.
評估大型語言模型在健康教育中對於強直性脊柱炎/脊椎關節炎患者的表現：中國的一項橫斷面單盲研究。 BMJ Open 2025-03-21

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

Effectiveness of Generative Artificial Intelligence-Driven Responses to Patient Concerns in Long-Term Opioid Therapy: Cross-Model Assessment.
長期鴉片類藥物治療中生成式人工智慧驅動的患者關注回應的有效性：跨模型評估。 Biomedicines 2025-03-28

本研究探討了ChatGPT在長期鴉片類藥物治療中對患者教育的潛力。專家小組選定十三個常見問題，並讓GPT-4.0模擬醫生回答。結果顯示，ChatGPT的回答在可靠性和可理解性上表現良好，但準確性中等，尤其在耐受性和依賴管理等技術性問題上較弱。這顯示出AI工具在患者教育中的輔助價值，但也強調了持續改進和專業訓練的必要性，醫療專業人士與AI開發者的合作對於提升教育質量至關重要。 PubMed DOI

Exploring the Capacity of Large Language Models to Assess the Chronic Pain Experience: Algorithm Development and Validation.
探索大型語言模型評估慢性疼痛經驗的能力：演算法開發與驗證。 J Med Internet Res 2025-03-31

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

Estimating depression severity in narrative clinical notes using large language models.
使用大型語言模型估計敘事臨床筆記中的抑鬱嚴重性。 J Affect Disord 2025-04-05

這項研究探討病人自報結果量表（PROMs），特別是PHQ-9，對門診抑鬱症治療紀錄質量的影響。研究分析了18,000份臨床筆記，重點在2019至2024年期間的就診紀錄。主要發現顯示，參與者平均年齡46.3歲，大多數為女性，PHQ-9平均分數較低，只有4.8%符合中度或以上的抑鬱症狀。雖然大型語言模型（LLM）能提供一些見解，但在移除實際分數後，準確性不佳，顯示依賴PROMs可能導致精神症狀紀錄不夠全面。 PubMed DOI

Unveiling the Potential of Large Language Models in Transforming Chronic Disease Management: Mixed Methods Systematic Review.
揭示大型語言模型在轉變慢性疾病管理中的潛力：混合方法系統性回顧 J Med Internet Res 2025-04-16

慢性病是全球主要死因，LLMs（像ChatGPT）在管理慢性病上有潛力，能提供準確、易懂的健康建議，幫助病人自我管理和獲得支持。專業型LLMs表現更好，但目前證據有限，還有隱私、語言和診斷等挑戰。臨床應用還在初期，未來需加強資料安全、專業化和與穿戴裝置整合。 PubMed DOI

Enhancing treatment decision-making for low back pain: a novel framework integrating large language models with retrieval-augmented generation technology.
提升下背痛治療決策：結合大型語言模型與檢索增強生成技術的新穎架構 Front Med (Lausanne) 2025-05-29

這項研究打造了專為慢性下背痛設計的臨床決策支援系統，結合大型語言模型、RAG和LtM提示，讓AI更貼近專家思考。客製化的CLBP-GPT在準確性、相關性等表現都勝過現有主流模型，能提供更精確、完整的診斷與治療建議，有助提升患者的個人化照護品質。 PubMed DOI

原始文章

站上相關主題文章列表