自然語言處理技術越來越影響臨床護理，透過各種應用如自動生成臨床註記、醫學編碼、聊天機器人、資料豐富化、群體選擇和審計。該篇回顧提供了自然語言處理技術的歷史概述和技術背景，討論了以大型語言模型為重點的實施策略，並探討心臟病學領域的未來機會。 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

AI可透過分析臨床和患者數據改善ASCVD風險評估，提升篩檢效果並增進指南遵循。AI模型個人化風險評估優於傳統，可自動檢測ASCVD風險標誌如CAC。LLM有助於填補預防護理缺口，改善患者教育。AI在ASCVD預防和管理上有潛力，但臨床整合需有規範、反覆的途徑。 PubMed DOI

大型語言模型（LLMs）是現代機器學習工具，可解讀非結構化文本並做預測。已普及應用，初期用於生成標題、總結文本等，現已擴展至臨床和學術領域。在醫學中，LLMs可解釋複雜概念、改進臨床決策，但仍有限制，如生成錯誤內容、缺乏原創性。人類監督對於使用LLMs至關重要，解決挑戰可最大化好處並降低風險。文章探討LLMs功能、限制，尤其對心臟病學的影響，展示其轉型潛力和技術限制。 PubMed DOI

這篇文章討論了大型語言模型（LLMs）如何簡化醫學資訊、改善醫患溝通、自動摘要文章、分析數據，強化心血管護理和研究。探討了LLMs在醫學上的應用、限制和挑戰，提供心血管專業人員實用指南。也思考了LLMs對心血管護理和研究的未來影響。 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

心血管疾病是主要的死亡和殘疾原因，因此早期檢測和治療非常重要。本研究提出了一個自動化的智能推薦系統，利用可解釋的人工智慧（XAI）來預測心臟病發作和風險評估。系統使用CatBoost分類器進行風險分類，並透過SHAP算法提供透明解釋，還整合了BioMistral大型語言模型，讓使用者能互動詢問心臟健康問題。該系統的預測表現優異，平均AUC達0.88，並提供線上應用程式，協助使用者管理心臟健康，降低風險並促進及時醫療介入。 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

這項研究開發了一種利用大型語言模型（LLMs）從電子健康紀錄（EHR）中識別健康狀況的策略，解決了手動標記的繁瑣問題。研究將2015年的心臟登記隊列與阿爾伯塔省的EHR系統結合，分析臨床筆記以檢測急性心肌梗塞、糖尿病和高血壓。結果顯示，LLM方法在敏感度和陰性預測值上優於傳統ICD代碼，且檢測趨勢穩定。這種方法有潛力提升EHR在即時疾病監測中的應用效率。 PubMed DOI

這項研究發現，Claude 3 Opus 在心血管抗凝治療案例的準確度勝過其他大型語言模型和臨床醫師，正確率達85%。部分LLMs表現媲美甚至超越有經驗醫師，但免費版模型有時會給出不佳或不安全的建議。所有LLMs在生活型態和飲食建議上表現穩定。研究提醒，醫療決策時應謹慎選用並驗證LLMs。 PubMed DOI