醫療同意書的可讀性普遍高於患者的平均閱讀水平，這對知情同意造成挑戰，並可能影響臨床試驗的參與者留存率。研究分析了截至2023年1月1日美國的聯邦資助臨床試驗同意書，發現其平均Flesch-Kincaid年級水平為12.0，遠高於美國成年人通常的8年級水平。可讀性每增加一級，退選率就增加16%。使用大型語言模型簡化同意書後，能在保留法律內容的同時降低可讀性，顯示改善可讀性對提升參與度的重要性。該研究無外部資金，作者無利益衝突。 PubMed DOI

這項研究探討了大型語言模型（LLMs），特別是GPT-4，在製作癌症臨床試驗教育內容的潛力，旨在提升患者的理解。研究從ClinicalTrials.gov獲取知情同意書，生成簡短摘要和多選題，並透過患者調查和眾包註釋來評估其有效性。結果顯示，摘要內容可讀且具資訊性，患者認為有助於理解臨床試驗並提高參與意願。雖然多選題的準確性高，但當要求提供未明確列出的資訊時，GPT-4的準確性較低。整體而言，研究顯示GPT-4能有效生成患者友好的教育材料，但仍需人類監督以確保準確性。 PubMed DOI

這項研究探討使用 Mistral 8x22B 大型語言模型 (LLM) 改善臨床試驗的知情同意書 (ICFs) 撰寫，針對複雜性和法律術語問題進行分析。研究中，四個臨床試驗方案的 ICF 由 LLM 生成，並由八位專家評估。結果顯示，LLM 生成的 ICF 在準確性和完整性上與人類版本相似，但在可讀性和可理解性上表現更佳，且在可行性上獲得滿分。整體而言，LLM 顯示出提升 ICF 可及性和清晰度的潛力，可能成為改善參與者理解的有效解決方案。 PubMed DOI

這項研究探討大型語言模型（LLMs）在分析患者對緊急研究中免除知情同意（EFIC）過程的看法。研究分析了102個與兒科研究相關的社區訪談，使用五種LLMs，包括GPT-4，來評估情感並進行主題分類。結果顯示，LLMs在情感分析上與人類評審者一致性高（Cohen's kappa: 0.69），主題分類準確率也高（0.868）。雖然LLMs在數據分析上效率高，但仍應輔助人類判斷。未來研究應著重於將LLMs整合進EFIC過程，以提升分析效率與準確性。 PubMed DOI

這項研究探討了ChatGPT-4是否能創建清晰易懂的前列腺癌研究摘要，分析了2022年7月至2024年6月間80篇發表於*Current Oncology*的文章。研究發現，使用詳細提示的摘要在可讀性和質量上都顯著優於簡單提示。雖然兩者都能提供全面的摘要，但詳細提示讓資訊更易於被廣泛受眾理解。研究強調了自訂提示在醫療溝通中的重要性，並建議未來應考慮病患反饋，將此方法擴展至其他醫療領域。 PubMed DOI

生成式人工智慧（GAI）技術，特別是大型語言模型（LLMs），在醫學領域的應用越來越普遍，尤其是在病人與臨床試驗配對方面。研究顯示，LLMs能有效匹配病人的健康紀錄與臨床試驗資格標準，並取得良好結果。雖然自動化配對有助於提升病人參與率和減輕醫療工作負擔，但也面臨挑戰，如可能帶來虛假希望、導航困難及需人類監督等問題。進一步研究對驗證LLM在腫瘤學中的安全性和有效性至關重要。 PubMed DOI

這項研究探討使用大型語言模型（LLMs）為眼科筆記創建簡明語言摘要（PLSs），旨在提升非眼科醫師的理解與溝通。研究結果顯示，85%的非眼科醫師偏好PLSs，且在診斷理解、筆記細節滿意度及解釋清晰度上均有顯著改善。PLSs也縮小了醫師間對眼科術語的理解差距。雖然PLSs的可讀性和意義保留良好，但審查中發現26%的錯誤率，需謹慎使用。總體而言，PLSs有助於增進非眼科醫師的理解與跨學科溝通。 PubMed DOI

一項針對64位骨科病患的研究發現，用ChatGPT-4翻譯MRI報告能讓病患更容易看懂內容，理解度提升20%，有87.5%的人覺得AI翻譯更清楚。不過，大家對傳統報告的信任感還是稍高。AI翻譯雖然有幫助，但還是需要醫師把關，確保資訊正確。 PubMed DOI

這篇文獻回顧指出，大型語言模型（LLMs）已被用來提升病患與臨床試驗配對的效率，尤其是OpenAI的模型。雖然LLMs能大幅提升配對準確度與規模，但目前仍面臨可靠性、可解釋性及過度依賴合成資料等問題。未來應加強模型調校、採用真實世界資料，並提升可解釋性，才能真正發揮其潛力。 PubMed DOI

生成式AI和大型語言模型越來越多人用來查醫療資訊，雖然有助提升健康知識，但也可能出現錯誤、過度簡化或隱私等問題。現有研究多著重正確性，較少納入病人實際經驗。未來應加強透明度、監督，並讓醫療人員和使用者參與回饋，同時加強大眾教育。 PubMed DOI