大型語言模型(LLMs)在臨床決策中或許有好處，但目前還不適合實際醫療使用。一項研究指出，LLMs在真實病例中無法正確診斷、無法遵循指引、難以解釋檢驗結果，且難以整合到臨床流程中，可能危害患者健康。需要更多研究以改進LLMs在臨床決策的應用。 PubMed DOI

在醫療保健領域，人工智慧（AI）在抗生素處方的應用逐漸增多。透過機器學習技術，如邏輯回歸和深度神經網絡，臨床決策支持系統（ML-CDSSs）展現出改善抗生素處方的潛力。根據PubMed的研究，抗生素處方過程複雜，ML-CDSSs能正面影響臨床結果，但仍面臨挑戰，包括訓練數據透明度、黑箱模型的解釋需求，以及法律與倫理框架的建立，以確保決策責任。 PubMed DOI

大型語言模型（LLMs）在醫療領域，特別是腸胃病學中，正發揮重要作用，改善資訊獲取、診斷及個性化治療。它們能有效解讀醫學文獻，提供即時知識，並支持醫學教育。儘管潛力巨大，LLMs 在臨床實踐中的整合仍需進一步研究與監管。最近的研究顯示，LLMs 在結腸鏡檢查及癌症篩檢等方面表現良好，但仍面臨數據完整性、準確性等挑戰。成功整合需針對特定情境進行調整，並遵循指導方針。 PubMed DOI

這項研究評估大型語言模型（LLMs）在改善電子處方流程中的有效性，特別是針對用藥指示的清晰度和個人化。研究人員根據巴西的電子處方標準，開發了以病人為中心的指導方針，並測試了三種不同的提示。結果顯示，第三個提示顯著提升了輸出的適切性，達到94.3%的可接受性，且個人化評價也相當高。雖然封閉源LLM在前兩個提示中出現性別偏見，但第三個提示成功消除了這種偏見。整體而言，這項研究顯示LLMs在促進醫療溝通方面的潛力。 PubMed DOI

將大型語言模型（LLMs）應用於醫療教育和臨床管理有很大潛力，但也帶來了一些擔憂。本研究評估了LLMs在醫療教育中的現況，並指出幾個需改進的重點，包括學術誠信、錯誤資訊、資訊完整性、獲取不平等、演算法偏見、道德問題、技術限制及監管不足。研究呼籲未來針對這些挑戰進行深入探討，以提升LLMs在醫療教育中的有效性。 PubMed DOI

大型語言模型（LLMs）正在改變病患用藥管理的教育方式，提供易於取得的資訊，協助醫療決策。這些AI工具能詳細說明藥物相互作用、副作用及緊急護理協議，幫助病患做出明智的用藥選擇。不過，仍有挑戰，如錯誤資訊的風險及缺乏個別病患數據的準確性問題。當病患過度依賴AI建議時，安全性問題更為突出。這篇分析探討了LLMs的能力與限制，並強調監管監督的重要性，以確保這些工具輔助而非取代專業醫療建議。 PubMed DOI

大型語言模型（LLMs）在生物學和化學等複雜領域中影響深遠，特別是在分子設計和優化方面。本篇綜述專注於LLMs在抗生素發現與設計中的應用，特別是肽類分子。我們將探討LLMs在藥物設計的最新進展，以及在抗生素開發中應用這些模型所面臨的挑戰。 PubMed DOI

將大型語言模型（LLMs）整合進抗生素處方的醫療決策中，逐漸受到重視，但面臨挑戰。首先，LLMs在臨床環境中的應用需更深入的醫療理解，因為它們的建議直接影響病患健康。其次，專業知識悖論顯示醫療人員可能過度依賴AI，影響臨床判斷。因此，AI應該輔助而非取代人類決策。最後，LLMs的錯誤風險需謹慎對待，必須建立健全的驗證流程，確保其作為輔助工具的角色。 PubMed DOI

大型語言模型（LLMs）在醫療領域的應用日益增多，能協助診斷和治療感染。一項研究比較了全科醫生與六個LLMs（如ChatGPT、Gemini等）對24個臨床案例的反應。全科醫生在診斷和抗生素處方的準確率高達96%-100%，但在劑量和療程的準確性上較低（50%-75%）。LLMs的表現也不錯，但在參考指導方針的能力上不一致，特別是在挪威的表現不佳。研究指出LLMs有數據洩漏的風險，雖然它們在抗生素處方上有潛力，但全科醫生在臨床情境解釋和指導方針應用上仍更具優勢。 PubMed DOI

這項研究評估了十四個大型語言模型（LLMs）在不同臨床情境中推薦抗生素的表現。研究使用標準化提示，針對60個案例的藥物選擇、劑量和治療持續時間進行評估。結果顯示，ChatGPT-o1的準確率最高，達71.7%，劑量正確性達96.7%。而在治療持續時間方面，Gemini表現最佳（75.0%）。不過，各模型在複雜案例中的表現差異明顯，顯示出在臨床應用前仍需謹慎驗證。 PubMed DOI