本研究探討護理學生對大型語言模型（LLMs）的看法，並運用計畫行為理論（TPB）進行分析。研究於2024年1至6月進行，透過目的性和滾雪球抽樣招募24名來自中國13所醫學大學的護理學生，並進行半結構式線上訪談。分析結果顯示，影響學生採用LLMs的因素包括正面態度、媒體影響、使用者友好設計等促進因素，以及謹慎態度、組織壓力、數位素養不足等障礙因素。研究結果可為護理教育者提供整合LLMs的參考。 PubMed DOI

這篇文章探討大型語言模型（LLMs）在醫療保健的應用，透過文獻計量分析，篩選出371篇相關期刊文章。結果顯示，LLMs的研究數量在美國、義大利和德國等發達國家顯著增加，並展現出強大的合作關係。LLMs被應用於醫學教育、診斷、治療等領域，但也引發對倫理影響和風險的擔憂，如數據偏見和透明度問題。為了促進LLMs的可靠使用，需建立責任指導方針和監管框架，確保數據的證據基礎。 PubMed DOI

將大型語言模型（LLMs）應用於醫療保健有潛力提升病患照護與運營效率，但需謹慎整合，面臨技術、倫理及法規挑戰。 技術上，封閉式LLMs易於部署但可能影響數據隱私；開放式LLMs則可客製化，增強數據控制，但需更多資源與專業知識。倫理上，必須遵循指導方針以保護病患機密性，並確保透明度與責任。法規框架也需建立以保障病患權益。 因此，臨床醫生、研究人員與科技公司之間的合作至關重要，能促進技術穩健且符合倫理的LLMs發展，最終改善病患治療結果。 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

這項研究探討使用者如何決定信任並採用生成式人工智慧，特別針對DeepSeek這個大型語言模型在醫療領域的應用。研究發現，大多數受訪者對醫療提供者使用AI感到舒適，前提是結果經過驗證。信任被視為關鍵因素，使用便利性和感知有用性會影響使用意圖，而風險感知則有負面影響。研究建議，當DeepSeek易用且值得信賴時，使用者更可能採用，並呼籲進一步探討隱私和文化差異等因素。 PubMed DOI

大型語言模型（LLMs）在醫療領域受到廣泛關注，但實際應用面臨幾個挑戰： 1. **操作脆弱性**：可能出現數據安全和生成錯誤資訊的問題，影響病人照護。 2. **倫理與社會考量**：涉及病人隱私和決策偏見的倫理問題，影響健康公平。 3. **性能與評估困難**：在臨床環境中評估其有效性複雜，傳統指標可能不適用。 4. **法律與監管合規性**：現有法規無法完全應對 LLMs 的特性，需要新的合規框架。 解決這些挑戰對於充分發揮 LLMs 在醫療中的潛力至關重要。 PubMed DOI

調查顯示，大型語言模型（LLMs）能提升醫療工作效率，多數用過的人都給予正面評價。不過，醫護人員、年長者和女性對於導入LLMs較為保留，主要擔心實用性和工作影響。年輕男性則較看好LLMs的幫助。大家普遍認為，未來LLMs會改變工作和人際互動，因此需要有完善的教育和支援，才能讓醫療界公平、安全地導入這項新技術。 PubMed DOI

大型語言模型正快速改變醫療現場，不只協助診斷、提升衛教，也讓臨床流程更有效率。導入時要重視好用的介面、醫師訓練、AI與醫護合作，並落實隱私與倫理規範。未來會朝多模態、強化安全及結合機器人發展，但最重要的還是以病患安全和人本設計為核心，輔助醫療專業而非取代。 PubMed DOI

這份研究發現，使用者是否信任 DeepSeek 這類 AI 醫療平台，會直接影響他們的採用意願。操作簡單、實用性高會增加信任感，但風險感知則會降低意願。多數人願意接受 AI 協助，只要醫師能把關。研究也提醒，信任和風險的影響有「飽和點」，不會無限放大。未來還要考慮隱私、文化和長期使用經驗。 PubMed DOI

紐約一項調查發現，多數醫師知道也有興趣用大型語言模型（LLM）虛擬助理，但實際用的人還不多。大家最想用在文獻審閱、病人衛教和醫療紀錄。年輕醫師、住院醫師和女性醫師興趣較高。研究建議未來要加強教育和指引，協助醫療人員安全導入LLM。 PubMed DOI