A Novel Approach for Mixed-Methods Research Using Large Language Models: A Report Using Patients' Perspectives on Barriers to Arthroplasty.
使用大型語言模型進行混合方法研究的新方法：以患者對關節成形術障礙的觀點為例。 ACR Open Rheumatol 2024-03-07

研究使用ChatGPT-4等大型語言模型協助分析醫療研究中的病患訪談資料。結果顯示，ChatGPT-4生成的訪談主題與問卷與人類相似，但速度較快，雖然問題稍嫌不夠精確。建議未來整合LLM與人類調查員，採取更有效的混合方法研究，以更全面了解病患觀點，同時需注意倫理與質性影響。 PubMed DOI

Inductive thematic analysis of healthcare qualitative interviews using open-source large language models: How does it compare to traditional methods?
使用開源大型語言模型進行醫療質性訪談的歸納主題分析：與傳統方法相比如何？ Comput Methods Programs Biomed 2024-07-27

這項研究探討大型語言模型（LLMs）在質性主題分析中的應用，並將其表現與人類分析師在精神科環境中的表現進行比較。研究使用了一個700億參數的開源LLM，並透過先進的提示工程，能在幾分鐘內從半結構性訪談中生成主題。分析結果顯示，LLM生成的主題與人類創建的主題之間的相似性中等到顯著，顯示LLMs在質性研究中有潛力，能提升研究的可及性。 PubMed DOI

Performance of Large Language Models in Patient Complaint Resolution: Web-Based Cross-Sectional Survey.
大型語言模型在病人投訴解決中的表現：網路基礎橫斷面調查。 J Med Internet Res 2024-08-09

這項研究探討了大型語言模型（LLMs），特別是ChatGPT-4.0，對於三級醫療機構病人投訴的回應效果。研究比較了ChatGPT與病人關係部門的回應，結果顯示87.2%到97.3%的受訪者更偏好ChatGPT的回應，且其在適當性、同理心等方面得分較高。ChatGPT的回應平均較長，且與高得分有關。研究顯示，ChatGPT能有效提升病人投訴的解決效果，未來可進一步探討AI在醫療系統中的應用潛力。 PubMed DOI

A pilot feasibility study comparing large language models in extracting key information from ICU patient text records from an Irish population.
一項針對愛爾蘭人群 ICU 患者文本記錄中提取關鍵信息的大型語言模型比較的初步可行性研究。 Intensive Care Med Exp 2024-08-15

這項研究探討大型語言模型（LLMs）在生成重症監護病房（ICU）病人出院摘要的表現，分析了匿名臨床筆記。三個模型中，GPT-4 API的表現最佳，準確識別41.5%的關鍵臨床事件，ChatGPT和Llama 2則分別為19.2%和16.5%。雖然GPT-4在資訊組織和清晰度上表現優異，但仍有小錯誤，且所有模型在敘事連貫性和重要數據的捕捉上存在挑戰。總體來看，這些LLM在生成出院摘要上有潛力，但仍需改進。 PubMed DOI

Applying Large Language Models to Interpret Qualitative Interviews in Healthcare.
應用大型語言模型解讀醫療領域的質性訪談。 Stud Health Technol Inform 2024-08-23

這項研究探討如何利用大型語言模型（LLMs）來改善醫療領域的質性訪談數據解釋。傳統的主題建模方法常常過於簡化，難以捕捉患者和醫療專業人員的細微經驗。研究發現，LLMs在數據解釋的效率和深度上表現更佳，顯示它們在整合人類觀點進入可持續醫療系統的發展中，可能扮演重要角色，並有助於解決該領域的挑戰。 PubMed DOI

Large Language Models Can Enable Inductive Thematic Analysis of a Social Media Corpus in a Single Prompt: Human Validation Study.
大型語言模型能夠在單一提示中啟用社交媒體語料庫的歸納主題分析：人類驗證研究。 JMIR Infodemiology 2024-08-29

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

Use of large language models as a scalable approach to understanding public health discourse.
大型語言模型作為理解公共衛生話語的可擴展方法。 PLOS Digit Health 2024-10-16

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

The Transformative Potential of Large Language Models in Mining Electronic Health Records Data: Content Analysis.
大型語言模型在挖掘電子健康紀錄數據中的變革潛力：內容分析。 JMIR Med Inform 2025-01-02

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在從腫瘤科電子健康紀錄中提取患者共病情況的表現。研究分析了250份病歷報告，結果顯示GPT-4在敏感性上表現優於GPT-3.5和醫生，達到96.8%。雖然醫生在精確度上稍勝一籌，但GPT-4的表現更一致，且能推斷出非明確的共病情況。整體而言，這些模型在提取資訊方面顯示出潛力，可能成為數據挖掘的重要工具。 PubMed DOI

The use of large language models to enhance cancer clinical trial educational materials.
利用大型語言模型增強癌症臨床試驗教育材料的應用。 JNCI Cancer Spectr 2025-02-08

這項研究探討了大型語言模型（LLMs），特別是GPT-4，在製作癌症臨床試驗教育內容的潛力，旨在提升患者的理解。研究從ClinicalTrials.gov獲取知情同意書，生成簡短摘要和多選題，並透過患者調查和眾包註釋來評估其有效性。結果顯示，摘要內容可讀且具資訊性，患者認為有助於理解臨床試驗並提高參與意願。雖然多選題的準確性高，但當要求提供未明確列出的資訊時，GPT-4的準確性較低。整體而言，研究顯示GPT-4能有效生成患者友好的教育材料，但仍需人類監督以確保準確性。 PubMed DOI

Transforming Informed Consent Generation Using Large Language Models: Mixed Methods Study.
利用大型語言模型轉變知情同意生成：混合方法研究。 JMIR Med Inform 2025-02-13

這項研究探討使用 Mistral 8x22B 大型語言模型 (LLM) 改善臨床試驗的知情同意書 (ICFs) 撰寫，針對複雜性和法律術語問題進行分析。研究中，四個臨床試驗方案的 ICF 由 LLM 生成，並由八位專家評估。結果顯示，LLM 生成的 ICF 在準確性和完整性上與人類版本相似，但在可讀性和可理解性上表現更佳，且在可行性上獲得滿分。整體而言，LLM 顯示出提升 ICF 可及性和清晰度的潛力，可能成為改善參與者理解的有效解決方案。 PubMed DOI

原始文章

站上相關主題文章列表