研究使用GPT-3.5和GPT-4分析社群媒體上有關結膜炎的貼文，發現GPT-4表現較佳。他們收集了12,000條推文，模型與人工評分相關，有助於準確預測疾病爆發。這項研究顯示這些模型可有效分析社群內容，未來或可改善疾病爆發檢測。 PubMed DOI

這篇文章討論了自然語言處理（NLP）和大型語言模型（LLMs）在傳染病管理的應用，列舉了15個研究案例，像是利用GPT-4檢測尿路感染、BERTweet監測萊姆病。雖然這些模型展現了潛力，但效果有差異。未來需更深入研究，充分運用人工智慧在疾病診斷、監測、預測和追蹤傳染病管理的流行病學趨勢。 PubMed DOI

這項研究探討生成性大型語言模型（LLMs）在分析公共健康相關社交媒體內容的可行性，特別是疫苗言論。研究發現，LLMs通常能有效識別人類專家所關注的主題，且錯誤信息出現率較低。雖然LLMs的分析深度不及人類專家，但專家認為其生成的主題仍然合理且相關。總體來看，LLMs在處理健康相關社交媒體內容方面展現出顯著潛力，未來可能有助於公共健康策略的制定與社區關注的理解。 PubMed DOI

這項研究探討了OpenAI的ChatGPT如何協助公共衛生工作者開發疾病傳播模型，以制定感染控制策略。透過案例研究，公共衛生工作者與ChatGPT合作，創建符合10天流行病學數據的數學模型，並進行代碼生成、精煉和除錯，估算基本繁殖數（Ro）和最終疫情規模。最終模型重現疫情曲線，Ro為4.19，最終疫情規模達98.3%。研究顯示，ChatGPT能加速模型開發，降低技術門檻，改善全球疫情應對能力，特別在資源有限的環境中。 PubMed DOI

這項研究探討大型語言模型（LLMs）在分析社交媒體貼文，評估公眾對疫苗接種態度的應用。研究人員比較了不同LLMs的表現，包括GPT模型和開源替代品，並與基於規則的情感分析工具進行對比。結果顯示，使用表現最佳的LLMs進行少量提示能獲得最佳效果，而其他方法則有較高的誤分類風險。研究強調LLMs在公共衛生領域的潛力，建議將其納入公共衛生監測，以提升對健康政策公眾意見的評估能力。 PubMed DOI

這項研究分析了來自加拿大、美國和歐洲的英文推文，探討公眾對長期新冠的看法與情感。研究發現五個主要主題，包括疫苗接種後的長期新冠情況、持續時間與痛苦、持續症狀、對治療研究的需求，以及症狀測量。研究強調了各地對長期新冠的關注，並指出重大事件會影響公眾情感。透過自然語言處理技術，這項研究為公共衛生策略提供了重要見解，顯示社交媒體在解決公共衛生問題上的潛力。 PubMed DOI

這項研究探討如何利用社交媒體和線上平台來即時監測COVID-19疫苗的不良事件，解決傳統報告系統的延遲問題。研究人員開發了一個網頁應用程式，分析來自190個國家和61種語言的資料，並使用自然語言處理技術來識別不良事件。結果顯示，大部分不良事件在2021年報告，2022年有所減少，且與健康當局的報告一致。這顯示社交媒體數據能有效增強疫苗安全監測的信心。 PubMed DOI

這項研究調查了美國紐約、洛杉磯和芝加哥居民在 COVID-19 疫情過渡期間的情感變化。研究分析了超過 119,000 條 Twitter 帖子，發現情感水平與確診數有顯著相關，紐約市的相關性最高（0.89），芝加哥中等（0.65），洛杉磯較低（0.39）。隨著疫情減退，與 COVID-19 相關的詞彙逐漸被其他詞彙取代，顯示對限制措施的關注度下降。整體來看，疫情接近尾聲時，對限制措施的負面情感減少，突顯了疫情對城市居民的社會心理影響。 PubMed DOI

Rodriguez-Nava 等人進行了一項概念驗證研究，探討如何利用安全的大型語言模型（LLM）來獲得醫療數據的批准。他們的研究專注於回顧性識別中心靜脈導管相關血流感染（CLABSIs），這是一種特定的醫療相關感染（HAI），並使用真實病人的數據進行監測。研究結果顯示，LLMs 有潛力顯著提升 HAI 監測的效率，並能部分自動化或簡化這個過程。 PubMed DOI

公共衛生干預措施如疫苗接種和社交距離的成效，依賴於公眾的支持與遵守。社交媒體成為評估公眾參與的重要工具，但在緊急情況下，缺乏即時監測可能導致反應延遲。為此，我們開發了PH-LLM（公共衛生大型語言模型），專注於即時公共衛生監測，並建立了多語言數據集。PH-LLM在多項任務中表現優於其他模型，顯示其在公共衛生資訊監測上的潛力，能有效增強政策制定與危機應對。此研究部分由NIH贈款支持。 PubMed DOI