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

LLMs有潛力改善老化和失智症護理，研討會探討了這個議題，強調LLMs在臨床決策和預測分析中的重要性。同時也提到了道德議題，強調平衡技術進步和道德考量的重要性。展望LLMs將革新醫療保健，但也提到需要面對的挑戰。 PubMed DOI

這項研究探討熱帶地區診斷瘧疾和傷寒的挑戰，因為傳統方法在症狀重疊和藥物抗性上遇到困難。強調準確診斷的重要性以降低死亡率。雖然機器學習模型能提供準確預測，但缺乏透明度，讓醫療人員難以理解決策過程。研究採用可解釋的人工智慧技術，特別是LIME和大型語言模型（如GPT），來提升診斷的透明度。結果顯示隨機森林模型表現最佳，並提出整合這些技術的行動應用程式，雖然系統性能受限於數據質量和計算需求，但未來有潛力應用於其他醫療條件。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是Llama 2和GPT-4，在電子健康紀錄中檢測認知衰退的有效性。研究在麻省總醫院進行，分析輕度認知障礙患者的臨床筆記，並將LLMs與傳統模型比較。結果顯示，GPT-4的表現優於Llama 2，但仍不及傳統模型。集成模型的表現最佳，達到90.2%的精確度。錯誤分析顯示模型間的錯誤特徵不同，建議結合LLMs與傳統模型以提升診斷效果。該研究獲得美國國家老齡化研究所及國家醫學圖書館的資助。 PubMed DOI

這項研究探討如何利用人工智慧驅動的大型語言模型（LLMs）來改善阿茲海默症及相關癡呆症的數位照護策略。重點在於非正式照護者面臨的挑戰，並將照護任務與數位工具對接。研究分析了38份教育材料和57款行動應用程式，針對阿茲海默症的四個進展階段識別關鍵照護任務，並匹配相關數位輔助工具。研究還指出六項必要的數位素養技能，強調量身訂做訓練的重要性，顯示LLMs在提升照護品質方面的潛力。 PubMed DOI

大型語言模型（LLMs）如ChatGPT等，正透過其推理能力改變疾病診斷與治療。這些模型能分析醫學文本，提升診斷準確性，並有效識別症狀與檢測結果中的細微模式。多模態大型語言模型（MLLMs）更能分析醫學影像，協助制定基於證據的治療計畫。然而，仍面臨算法偏見及生成不準確資訊的風險，需進行臨床驗證。這篇論文強調政策制定、倫理監督及跨學科合作的重要性，以確保臨床應用的安全與有效性，並探討未來研究方向。 PubMed DOI

這項研究評估了兩個大型語言模型（LLMs），ChatGPT 和 Llama2，在提取與認知測試相關的臨床筆記資訊的表現。研究使用了765份臨床筆記，結果顯示ChatGPT在提取迷你心理狀態檢查（MMSE）和認知癡呆評分（CDR）方面的準確率均優於Llama2。特別是在MMSE的準確率上，ChatGPT達83%，而Llama2僅66.4%。此外，ChatGPT在敏感性和真陰性率上也表現更佳。研究強調了大型語言模型在癡呆研究中的潛力及其評估的重要性。 PubMed DOI

癡呆症的診斷在全球醫療中面臨挑戰，主要因為其複雜性及電子健康紀錄的不一致性。傳統診斷方法可能會漏掉或錯誤識別病例，因此需要改進工具。本研究探討人工智慧（AI）及大型語言模型（LLMs）在提升癡呆症檢測的潛力。研究結果顯示，使用GPT-4的患者紀錄聚合方法達到最高準確率0.86，顯示大型語言模型能顯著改善癡呆症診斷的準確性，優於傳統方法。 PubMed DOI

阿茲海默症是一種漸進性的神經系統疾病，影響全球數百萬人，導致認知能力下降和記憶喪失。傳統診斷方法難以早期檢測。本研究提出一種新方法，結合自然語言處理和大型語言模型，利用GenBERT來識別阿茲海默症的生物標記。透過整合臨床數據，GenBERT在早期預測方面表現優異，準確率達98.30%，並顯示出高敏感性和特異性，為阿茲海默症的早期診斷提供了可靠工具，可能改變未來的檢測與治療策略。 PubMed DOI

阿茲海默症是導致癡呆的主要原因，會影響語言能力。最近，深度學習的進展讓透過語音分析自動檢測阿茲海默症成為可能，但傳統方法多集中於單一發言，限制了效果。我們提出一個新框架，利用大型語言模型來系統性識別患者的語言缺陷，並整合到Albert模型中，顯著提升檢測準確率和F1分數。這顯示大型語言模型在阿茲海默症檢測中的潛力。 PubMed DOI