全球心理健康問題日益嚴重，現有的照護模式無法滿足需求。大型語言模型（LLMs）被視為解決方案，能在心理健康教育、評估和介入上提供幫助。本文回顧了LLMs的應用，並指出其潛在的正面影響與風險，強調需採取策略來降低風險。平衡心理健康支持的需求與LLMs的負責任開發至關重要，確保這些模型符合倫理標準，並讓有經驗的人參與開發，以減少傷害並增強其正面影響。 PubMed DOI

這項研究系統性回顧了生成性大型語言模型（LLMs）在臨床環境，特別是電子健康紀錄（EHRs）的應用。儘管自然語言處理技術進步，LLMs在臨床實踐中的整合仍有限，面臨多重挑戰。研究分析了自2023年以來的76篇相關文獻，發現包括提示工程的使用、少數多模態數據的應用、評估指標的多樣性，以及臨床決策中的偏見和幻覺等問題。未來需改進計算技術和標準化評估，以提升LLMs在醫療中的可靠性。總之，LLMs在病人護理上有潛力，但仍需克服重大障礙。 PubMed DOI

這篇系統性回顧探討大型語言模型（LLMs）在心理健康領域的應用，特別是在早期篩檢、數位介入和臨床應用的有效性。回顧分析了2017年到2024年期間的40篇文章，結果顯示LLMs能有效識別心理健康問題並提供電子健康服務，但也存在文本不一致、幻覺現象及缺乏倫理框架等風險。主要挑戰包括需要多語言專家標註的數據、內容可靠性及數據隱私等倫理問題。雖然LLMs不應取代專業服務，但作為輔助工具的潛力值得進一步研究。 PubMed DOI

這項研究系統性回顧了生成式人工智慧在精神科和心理健康領域的應用，強調語言在診斷和治療中的重要性，並指出其潛力改變這個領域。研究人員從三個資料庫篩選出40篇主要在2023年發表的文章。結果顯示，雖然生成式人工智慧如ChatGPT在提升心理健康方面有潛力，但大多數研究集中於一般應用，特定心理疾病的探討較少，物質使用障礙是最常見的主題。儘管表現良好，仍需注意安全和倫理問題，未來研究應改善方法論透明度，並納入使用者意見。 PubMed DOI

這篇論文探討大型語言模型（LLMs）在心理健康護理與研究中的應用，強調它們能改善護理可及性、數據收集及治療工具的潛力。文中回顧了LLMs在精神醫學的發展，指出其優勢如提高診斷準確性和個性化護理，但也提到高計算需求、誤解風險及倫理問題等挑戰。最後，論文呼籲採取負責任的做法，透過紅隊測試和倫理指導方針，來最大化LLMs的好處並降低風險。 PubMed DOI

抑鬱症是全球重要的公共健康議題，雖然已有研究探討人工智慧在心理健康的應用，但針對大型語言模型（LLMs）的深入分析仍不多。本系統性回顧評估了LLMs在抑鬱症診斷與管理的有效性，並探討其在臨床環境中的整合潛力。從2018年到2024年，回顧了34項研究，發現像RoBERTa和BERT等模型在早期檢測和症狀分類上表現優異。不過，LLMs的臨床應用仍需解決數據隱私和倫理問題，才能安全有效地整合進醫療實務中。 PubMed DOI

這項研究指出大型語言模型（LLMs）在精神醫學研究中不僅能提升臨床應用，還能改善文獻回顧、研究設計等方面的效率。不過，仍面臨偏見、計算需求、數據隱私和內容可靠性等挑戰。這篇回顧強調謹慎監督、嚴格驗證及遵循倫理標準的重要性，期望透過解決這些問題，最大化LLMs的優勢，並推動精神醫學研究的進展。 PubMed DOI

人工智慧（AI）在醫療領域的應用逐漸普及，透過大型語言模型（如GPT-4）和自動語音識別技術，能有效提升醫療文檔的效率，讓醫生更專注於病人護理。然而，AI生成的內容需謹慎校對，因為可能出現錯誤或不準確的資訊。此外，隨著醫療數據的增加，患者隱私和算法偏見的風險也上升。因此，開發者應加強監管，遵循倫理指導，並改善輸出準確性。 PubMed DOI

這項研究探討大型語言模型（LLMs）在分類與心理健康相關的電子健康紀錄（EHRs）術語的有效性，並與臨床專家的判斷進行比較。研究使用了來自美國50多家醫療機構的數據，分析了因心理健康問題入院的病人EHR。結果顯示，LLM與臨床醫生在術語的廣泛分類上達成高一致性（κ=0.77），但在具體的心理健康（κ=0.62）和身體健康術語（κ=0.69）上則較低，顯示出LLM的變異性。儘管如此，研究強調了LLM在自動化編碼和預測建模中的潛力。 PubMed DOI

大型語言模型（LLMs）在醫療保健中展現出顯著潛力，能增強醫學教育、臨床決策支持及醫療管理。文獻回顧顯示，LLMs可作為虛擬病人和個性化導師，並在醫學知識評估中超越初級實習生。在臨床決策中，它們協助診斷和治療建議，但效果因專科而異。此外，LLMs能自動化臨床筆記和報告生成，減輕醫療人員的負擔。然而，仍需解決幻覺、偏見及病人隱私等挑戰。未來的整合需謹慎，並強調倫理與合作。 PubMed DOI