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

大型語言模型（LLMs）在心理健康護理中有潛力，能透過臨床筆記和轉錄來改善診斷和治療。不過，技術成本、識字差距和數據偏見等挑戰需解決。文章建議採用社會文化技術方法，重點在五個領域：建立全球臨床資料庫、制定倫理指導方針、精煉診斷類別、納入文化考量及促進數位包容性。作者強調開發具代表性的數據集和可解釋的臨床決策支持系統的重要性，並強調各方合作以確保公平的臨床部署。 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

這項研究評估了四個大型語言模型（LLMs）在心理健康診斷和治療的能力，包括Gemini 2.0、Claude 3.5、ChatGPT-3.5和ChatGPT-4。主要發現顯示，ChatGPT-4在診斷憂鬱症和PTSD方面優於人類專業人士，但在複雜案例如早期精神分裂症的準確率僅55%。LLMs提供的治療建議較為多樣，但專業人士則偏好具體的精神科諮詢。總體來看，雖然LLMs能協助診斷和治療計畫，但在複雜情況下仍需專業監督。 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

這項系統性回顧分析了137篇經過同行評審的研究，探討生成式人工智慧聊天機器人在健康建議上的表現。結果顯示，研究報告標準差異大，主要集中在外科、醫學和基層醫療。大部分研究針對治療、診斷或疾病預防，但幾乎全數（99.3%）使用的都是無法訪問的封閉源碼大型語言模型，且對其特徵描述不足。此外，多數研究未提及提示工程，只有少數討論倫理、法規及病人安全。這些結果顯示需改善報告標準，建議開發聊天機器人評估報告工具（CHART），以提升臨床評估與整合的效果。 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

大型語言模型在心理健康照護上有潛力，但目前研究方法不一、太依賴特定模型，證據還不夠支持單獨用LLMs治療。未來要有更嚴謹和標準的研究，才能安全有效地應用在臨床上。 PubMed DOI

這篇回顧整理了大型語言模型在心理健康領域的應用現況，發現LLMs主要用於心理疾病篩檢、治療支援和心理健康諮詢，特別聚焦在憂鬱症偵測和自殺風險預測。整體來說，LLMs在資訊分析和回應生成上表現優於傳統方法，但不同模型各有優缺點。未來應持續技術發展並重視倫理議題。 PubMed DOI

這篇回顧分析36篇AI在心理健康照護的研究，發現AI工具多用於篩檢、治療輔助、監測等，像聊天機器人和語言模型。AI能提升就醫效率和參與度，也有助於症狀追蹤，但仍面臨偏見、隱私和整合等問題。文中提出「四大支柱」架構，強調AI應安全、有效且公平地應用於心理健康領域。 PubMed DOI