人工智慧心電圖分析可以幫助偵測高鉀血症。這項研究評估了該演算法在急診部和加護病房的表現。人工智慧演算法在偵測高鉀血症方面顯示出良好的敏感性和特異性，尤其在排除診斷方面表現出色。然而，其陽性預測值較低，顯示在準確診斷高鉀血症方面存在一些限制。 PubMed DOI

這項研究評估了一種人工智慧演算法，專門用來分析心電圖（ECG）以檢測高鉀血症，並在急診部和重症監護病房進行測試。在急診部的40,128名患者中，演算法的曲線下面積（AUC）為0.88，敏感度和特異度均為80%，陰性預測值（NPV）高達99.8%，但陽性預測值（PPV）僅3%。在重症監護病房的2,636名患者中，結果相似，NPV為99%，PPV為14%。總體來看，這個AI-ECG演算法在排除高鉀血症方面表現良好，但在確診上仍有不足。 PubMed DOI

先天性長QT症候群（LQTS）的診斷相當困難，因為基因檢測有限、發生率低，且高風險基因型患者可能QT間隔正常。為了解決這些問題，研究人員開發了一個深度學習模型，結合心電圖（ECG）波形和電子健康紀錄，來識別與LQTS相關的致病變異。該模型在英國生物銀行（UKBB）訓練後，經過微調在西奈山BioMe生物銀行的數據上測試，顯示出良好的識別潛力，可能有助於優先評估高風險患者。 PubMed DOI

心血管疾病是全球主要的死亡原因，早期檢測仍然面臨挑戰。人工智慧（AI）在改善早期診斷方面展現潛力，特別是深度神經網絡能提高醫學影像的解讀準確性，發現心臟科醫生可能忽略的細節。隨著變壓器模型和大型語言模型的進步，AI能更好整合電子健康紀錄、影像和基因數據，幫助識別高風險患者並制定預防策略。儘管AI能提供即時診斷支持，但在臨床應用前仍需解決數據隱私和診斷錯誤等風險。本文探討AI在心血管醫學中的機會與挑戰。 PubMed DOI

心房顫動（AF）是常見的心律不整，但診斷上常遇挑戰。近期研究評估了具影像評估能力的ChatGPT-4omni（GPT-4o）在解讀心電圖（ECG）中的準確性，並與醫療專業人員比較。研究中創建了20個ECG案例，邀請100位醫療從業人員進行識別。結果顯示，GPT-4o在心房顫動的識別上表現不佳，準確率僅30%至54%。心臟科醫師的表現顯著優於GPT-4o，顯示人類專業知識在複雜診斷中的重要性。 PubMed DOI

所提議的知識增強心電圖（ECG）診斷基礎模型（KED）結合大型語言模型，整合ECG信號的專業知識。KED在80萬份來自約16萬名病人的數據上訓練，展現出優異的零樣本診斷能力，能有效診斷多種心臟病症，適用於各年齡層。即使面對未經訓練的疾病，KED也能表現良好。在與三位心臟科醫生的比較中，KED在診斷七種常見ECG類型上表現出色，強調其在多中心數據及新疾病上的泛化能力。 PubMed DOI

心電圖（ECG）是監測心臟健康的重要工具，但解讀需要專業知識。近期，我們開發了ECG-Language Model（ECG-LM），這是首個能同時處理自然語言和ECG信號的多模態大型語言模型。透過生成文本-ECG配對數據集，ECG-LM在心血管疾病的診斷、節律和形態檢測上表現優於現有方法，顯示出其在疾病預測和問題回答中的潛力。這項技術有望提升臨床診斷的準確性與效率。 PubMed DOI

這項研究提出了一個混合人工智慧（AI）系統，旨在提升自動解讀腦電圖（EEG）的能力，特別針對小型醫院和診所的需求。系統結合深度學習模型、無監督的伪影去除技術及專家算法，能有效預測後顱主導節律（PDR）並檢測異常。使用1530個標記的EEG數據，最佳模型的準確率顯著超越神經科醫生，並在報告生成上達到100%準確率。這個系統不僅可擴展，還能提高診斷準確性，減少誤診情況。 PubMed DOI

這項研究評估了基於ChatGPT的AI模型在解讀心電圖（ECG）的效果，並與心臟科醫生進行比較。分析了107個不同難度的ECG案例，結果顯示心臟科醫生的準確率為92.52%，遠高於AI模型的57.94%至62.62%。雖然AI在女性患者的表現較佳，但整體上仍不如醫生。研究指出，AI模型在ECG解讀上有潛力，但目前的可靠性不足，需進一步研究以提升準確性，特別是在複雜診斷方面。 PubMed DOI

這項研究探討心血管韌性對運動員健康和表現的影響，並利用自然語言處理（NLP）和大型語言模型（LLMs）進行生物醫學診斷。研究針對心電圖和臨床記錄等數據集的挑戰，提出了一個混合機器學習框架，結合狼群搜索演算法和RoBERTa模型，提升心血管疾病預測準確性。該系統達到92.5%的準確率，顯示NLP技術在個人化醫療中的潛力，能優化心臟病患者的治療，並改善早期疾病檢測和臨床決策能力。 PubMed DOI