心血管疾病是全球主要的健康問題，人工智慧（AI）如ChatGPT為心血管醫學帶來了新機會。這篇文章探討了ChatGPT如何透過症狀分析、風險評估和診斷輔助來提升臨床決策，並改善醫療教育及研究交流。不過，也需注意潛在的不準確性、倫理問題和數據隱私等挑戰。未來應專注於提升訓練數據質量、開發專用模型及建立監管框架，以增強ChatGPT的臨床應用，進而改善治療效果和護理品質。 PubMed DOI

自殺是重要的公共健康議題，人工智慧的進步，特別是大型語言模型（LLMs），在自殺檢測和預防上有顯著貢獻。這篇綜述分析了2018年到2024年間的29項研究，探討像GPT、Llama和BERT等模型在自殺預防中的應用。研究顯示，這些模型在早期檢測和預測方面通常表現優於心理健康專業人士。儘管LLMs展現出拯救生命的潛力，但仍需解決倫理問題，並與心理健康專家合作。 PubMed DOI

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

這項研究探討如何利用大型語言模型（LLMs），如BART和GPT-4，從MedHelp論壇的用戶評論中識別藥物停用事件（DDEs）。DDEs對藥物依從性和病人結果至關重要，但研究仍不多。研究人員建立了一個靈活的框架，並發布了首個開源DDE數據集，以促進後續研究。結果顯示，GPT-4o在識別根本原因上表現優異，而BART在檢測DDEs方面最有效。這項研究顯示了LLMs在分析公開數據的潛力，並鼓勵進一步探索。 PubMed DOI

藥物靶點的選擇對藥物開發至關重要，因此早期評估新靶點的治療效益和風險是必要的。傳統手動分析可能偏頗且耗時，但大型語言模型（LLMs）能提供更有效的文獻分析。目前，針對此目的的公開LLMs仍有限，主要集中在共現分析上。 為解決此問題，基於BERT的模型已開發，用於分析PubMed中藥物靶點與健康效應的關係，並展現出0.86到0.92的F1分數。這些模型提供了靶點調節如何影響健康的深入見解，並已在PubMed數據庫中部署，透過TargetTri平台可訪問，代表AI輔助藥物靶點識別的重大進展。更多資訊可至 https://www.targettri.com 查詢。 PubMed DOI

生成式AI像ChatGPT，已經在心臟科協助衛教、簡化資訊和提升行政效率。不過，目前還無法解讀影像，且有錯誤資訊和偏見的風險。未來若能結合語言和影像分析，診斷會更精準，但仍需嚴格監督和倫理規範，確保安全有效。 PubMed DOI

這項研究比較多種大型語言模型，發現經過微調的GatorTronGPT在從臨床紀錄中擷取鴉片類藥物過量和使用障礙的關鍵資訊上表現最佳。結果顯示，生成式LLM能有效協助擷取相關資訊，對後續研究和介入措施很有幫助。 PubMed

這項研究發現，GPT-4o等大型語言模型能根據實際用藥情境（如劑量）準確判斷藥物的ATC分類，表現比傳統搜尋方法更好（92.5%對82.5%）。LLM不僅準確、取得容易，還能考慮情境資訊，對藥物流行病學研究很有幫助。 PubMed DOI

這篇文獻回顧指出，GPT類模型適合用在醫療溝通、報告撰寫等任務，BERT類模型則較適合做分類和知識挖掘。由於兩者架構不同，適用場景也不一樣，醫療人員應根據實際需求選擇合適的模型。 PubMed DOI

這項研究用YouTube留言分析鴉片類藥物混用經驗，並分辨正負面影響。團隊運用GPT-3.5 Turbo等AI技術，準確辨識高風險用藥和過量風險，F1-score高達0.95，優於傳統方法。結果顯示，AI分析社群媒體有助於更了解鴉片危機，並提升介入策略效果。 PubMed DOI