大型語言模型（LLMs）在自然語言處理領域有潛力，可加速臨床實踐，如診斷、預防和治療。智能對話系統運用LLMs被視為治療的未來，尤其是在ChatGPT時代。這研究專注於在醫療保健領域運用LLMs，特別關注認知衰退和產後抑鬱。討論LLMs在醫療保健中的好處，如增進臨床任務和提供個人化醫療，以及相關擔憂，如數據隱私和公平性。這有助於全球討論將LLMs整合到醫療系統中。 PubMed DOI

研究利用大型語言模型協助臨床醫生問心臟超聲心動圖報告，提升對複雜心臟病患見解，增進患者護理效率。研究收集西奈山醫療體系10年數據，每患者有10份報告。LLM模型LLaMA-2 70B回答問題準確率達90%，尤其在嚴重程度評估和診斷檢索表現較佳。研究顯示使用LLM解釋心臟超聲心動圖數據有效，比傳統搜索更佳，提高臨床決策和研究效率。 PubMed DOI

大型語言模型（LLM）是機器學習模型，能有效處理自然語言任務。研究探討LLMs對醫療保健的影響，發現可提升臨床工作效率和個人化護理。然而，也存在資安漏洞和偏見風險，需注意隱私問題。未來研究應關注工作流程、品質、整合和法規，以實現成功應用。 PubMed DOI

這項研究介紹了一個開源流程，利用本地的大型語言模型（LLM）"Llama 2" 從臨床文本中提取定量數據，專注於識別失代償性肝硬化的特徵。研究在MIMIC IV數據集中測試500名患者的病歷，成功識別五個關鍵臨床特徵，敏感度達100%，特異度96%。此外，對其他病症的檢測也相當高，顯示出本地部署的LLM在提取臨床信息方面的有效性，且硬體需求低。 PubMed DOI

這篇論文介紹了一個AI健康助手的開發，旨在提升電子健康數據的獲取，幫助患者和醫療人員。這個助手透過直觀的對話方式提供醫療資訊，並利用Matrix去中心化的聊天介面來保障患者的隱私和安全。助手的回應由一個靈活的大型語言模型（LLM）在本地生成，能提供詳細且準確的答案，類似於醫療專業人員的回應。LLM的訪問受到限制，能根據患者的數據提供適當的回應，並且使用Matrix協議使系統易於擴展。 PubMed DOI

電子健康紀錄（EHRs）與大型語言模型（LLMs）結合使用時，隱私挑戰不容忽視。雖然GDPR和HIPAA提供基本保護，但仍需具體策略來降低風險。可採用以下方法： 1. **本地部署LLMs**：在設備上運行，確保健康數據不外洩。 2. **合成數據生成**：創建模擬數據，保護病人隱私。 3. **差分隱私**：在數據中添加噪音，防止推斷個人信息。 4. **去識別化**：移除可識別信息，遵守隱私法規。 透過這些策略，組織能在利用生成式AI的同時，強化病人隱私保護。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是LLaMA模型在放射腫瘤學中生成醫師信件的應用，重點在隱私與效率。研究發現，未經微調的LLaMA模型效果不佳，但QLoRA演算法能在有限資源下進行有效微調，使模型學習相關資訊並生成符合機構風格的信件。結果顯示，8B LLaMA-3模型在生成摘要報告上表現優於13B LLaMA-2模型。醫師評估認為，微調後的模型能有效生成信件的基本內容，並在適當審查下具實際臨床價值。 PubMed DOI

數位健康領域正朝向個人化醫療發展，但面臨醫療資源不足的挑戰。大型語言模型（LLMs）雖提升了理解能力，但有時會產生不準確的結果，影響病人安全。為解決此問題，本研究提出了CHATCBD，一個數位醫院框架，透過可控的AI代理和自我審核機制，提升診斷可靠性。CHATCBD還利用區塊鏈技術去中心化監管，增強病人中心的決策，並確保審核的專業性。實驗結果顯示，CHATCBD顯著提升了LLMs在個人化醫療中的表現。相關代碼可在 https://github.com/LDDLQ/ChatCBD 獲得。 PubMed DOI

這項研究探討如何將電子健康紀錄（EHRs）與自然語言處理（NLP）及大型語言模型（LLMs）結合，以改善醫療數據管理和病人照護。研究使用MIMIC III數據集，採用GPT-3.5、GPT-4等模型生成符合HIPAA要求的合成病人紀錄。結果顯示，基於關鍵字的方法在隱私保護上風險較低，且保持良好性能，建議未來可考慮使用虛擬的PHI來提升實用性與隱私保護。 PubMed DOI

這項研究評估了一個保護隱私的大型語言模型（LLM）在比對MRI報告的發現及追蹤變化的有效性。研究分為兩個階段：首先，LLM比對後續報告與先前報告的發現；其次，評估這些發現的變化。使用的數據集包含240份身體MRI報告和134份無對比劑的胸部CT報告。TenyxChat-7B LLM在七個模型中表現最佳，內部數據集F1分數達85.4%，外部數據集為81.8%。結果顯示，該模型能有效協助結構化報告，改善醫師之間的溝通。 PubMed DOI