這項研究評估了ChatGPT-4在住院神經科的診斷準確性，並與顧問神經科醫師進行比較。研究使用Epic電子健康紀錄的病人數據，CG4為51位病人生成了初步診斷和治療計畫。結果顯示，CG4的平均得分為2.57，顧問醫師為2.75，整體成功率相近（CG4為96.1%，顧問醫師為94.1%）。雖然顧問醫師的全面診斷可能性略高，但CG4仍被視為神經科有價值的診斷工具。未來需進一步研究以驗證這些結果。 PubMed DOI

本研究評估了兩種AI模型（ChatGPT-4o和Claude 3.5 Sonnet）在檢測急性缺血性中風（AIS）方面的表現。分析了110例擴散加權影像（DWI），結果顯示Claude 3.5 Sonnet在靈敏度和特異性上均優於ChatGPT-4o，特別是在AIS的定位準確性上。雖然Claude 3.5 Sonnet的表現較佳，但兩者在準確性上仍有顯著限制，顯示出AI在臨床應用前需進一步發展。這強調了AI在放射診斷中的潛力與現階段的不足。 PubMed DOI

這項研究探討了大型語言模型（LLMs）在急性缺血性中風（AIS）病例中的應用，特別是機械性血栓切除術（MT）的適應性。研究分析了100名AIS患者的數據，LLM根據放射學報告、神經症狀、發病資訊和患者年齡進行判斷。結果顯示，該AI模型的整體準確率達88%，特異性96%，敏感性80%，曲線下面積為0.92，顯示出LLMs在整合醫療數據方面的潛力，並鼓勵進一步探索其在臨床的應用。 PubMed DOI

這項研究評估了ChatGPT在急診部門對懷疑中風患者的決策支持潛力，於安卡拉Etlik市立醫院進行，涵蓋512名患者。研究比較了ChatGPT在中風中心運送、大血管阻塞懷疑及治療選擇的決策，結果顯示其建議與實際結果一致性高，中風診斷敏感度達91%，靜脈內治療的高陰性預測值分別為98%和97%。雖然ChatGPT顯示出潛力，但研究強調醫師監督的重要性，建議將其作為輔助工具整合進臨床決策過程，以提升效率並確保患者安全。 PubMed DOI

腦血管疾病是全球第二大死亡原因，對殘疾影響深遠。本研究探討GPT-4在急診科神經科醫師處理急性缺血性中風的有效性，分析其建議與專家意見及實際治療結果的比較。研究回顧100名急性中風患者，結果顯示GPT-4的建議與專家意見高度一致，特別是在血管內血栓切除術方面表現優異。GPT-4在死亡預測上也表現良好，顯示其作為臨床決策支持工具的潛力，但也需注意其建議的侵略性，強調人類監督的重要性。未來需進一步驗證這些發現。 PubMed DOI

及時的溶栓治療對急性缺血性中風至關重要，但手動檢查病歷找禁忌症既慢又易出錯。為了解決這個問題，研究團隊開發了一款基於大型語言模型（LLM）的工具，能從臨床筆記中識別溶栓禁忌症，並用合成數據訓練。在概念驗證研究中，創建了150份隨機禁忌症的合成臨床筆記，使用Llama 3.1 405B模型提取禁忌症。結果顯示該工具的敏感度達90.9%，準確率98.7%，未出現幻覺情況。未來將用真實電子病歷數據驗證其有效性，並整合到急性中風管理中。 PubMed DOI

這項研究評估了GPT-4在預測中風病因的能力，使用了腦部影像、心臟超音波及病歷資料等診斷元素。分析基於14個案例，經過五次試驗，並採用TOAST分類系統。結果顯示，GPT-4的準確率高，特異性達0.99，敏感性0.97，精確度0.96，F1分數為0.97。它在心源性栓塞和小血管阻塞方面表現特別好，但大血管動脈硬化的精確度稍低。這顯示GPT-4在中風病因預測上有潛力，但仍需進一步研究來驗證。研究也提到作者之間的潛在利益衝突。 PubMed DOI

這項研究發現，經過微調的大型語言模型（LLM）能準確分析電子病歷文字，自動判斷中風預後的mRS分數。LLM預測七個mRS等級的準確率達77%，判斷功能獨立與否的準確率更高達92%。顯示LLM有機會協助臨床與研究自動化mRS評估。 PubMed DOI

這項研究開發了一套全自動化系統，能用腦部MRI和機器學習，快速預測中風患者的長期認知狀況。系統會自動分割病灶、分析腦網路，3分鐘內就能產出個人化報告，準確率高達96%。這技術有助未來臨床應用，幫助醫師規劃更精準的中風照護與復健。 PubMed DOI

這項研究開發了一套AI系統，能用大型語言模型自動從CT和MRI放射科報告中偵測新發急性或亞急性腦梗塞。模型在大量日文報告訓練下，對新發腦梗塞的敏感度高達0.891，整體準確率0.923，能快速分類並及早發出警示，協助臨床判斷。 PubMed DOI