這項研究評估了四個大型語言模型（LLMs）在回答鼻整形手術諮詢問題的表現。結果顯示，Claude在七個問題中表現最佳，總分224分，ChatGPT緊隨其後，得200分。Meta和Gemini的表現較差，各得138分。整形外科醫生的評價顯示，Claude提供了最全面的答案，而ChatGPT的表現也優於Meta和Gemini。研究建議持續比較這些模型，因為它們仍在不斷進步。 PubMed DOI

這項研究探討了使用先進的大型語言模型，如ChatGPT 3.5和ChatGPT 4，來提升醫療紀錄中ICD-10代碼的分類準確性，特別是針對現有方法識別為假陰性的紀錄。研究在MIMIC IV數據集的802份出院摘要上進行，結果顯示ChatGPT 4的匹配率為86%到89%，明顯優於ChatGPT 3.5的57%到67%。雖然經驗豐富的人類編碼員表現更佳，但ChatGPT 4的準確性已達到人類編碼員的中位數。這顯示將這類模型整合進臨床編碼中，能提升醫療文檔的準確性，特別在複雜案例中。 PubMed DOI

這項研究比較 ChatGPT-4o 和 Claude 3.5 Sonnet 產生婦產科臨床推理測驗題目的表現。兩者都能產出高品質題目（超過九成符合標準），但在設計適合醫學生難度的題目上還有待加強。整體來說，大型語言模型能有效產生測驗題，但題目難度調整仍需改進。 PubMed DOI

這項研究發現，Claude 3.5 Sonnet 在產生放射科參考文獻時最準確，正確率高達 80.8%，捏造比例僅 3.1%，明顯勝過其他模型。相較之下，ChatGPT 和 Google Gemini 1.5 Pro 的正確率較低，捏造比例甚至高達 60.6%。不同放射科次專科的正確率也有差異。整體來說，Claude 3.5 Sonnet 學術可靠度高，其他模型則有誤導風險，引用功能還需加強。 PubMed DOI

四款大型語言模型用來產生多發性骨髓瘤和AL類澱粉沉積症治療的臨床摘要，Claude在正確性和完整性上表現最好，但沒有任何模型能完全正確。所有模型產出的內容都需要專家審查，目前還不適合單獨用於臨床摘要。 PubMed DOI

這項研究比較三款大型語言模型與資淺、資深醫師在回答自體免疫疾病臨床問題的表現。結果發現，特別是Claude 3.5 Sonnet，在正確性和完整性等方面都勝過醫師，顯示AI有潛力協助臨床照護。 PubMed DOI

這項研究發現，ChatGPT、Gemini 和 Claude 都能把線上病患衛教資料簡化到更容易閱讀的程度，字數也變少，且正確性和易懂性大致良好。不過，Gemini 和 Claude 偶爾會有錯誤，所以還是需要人工審查。未來建議針對更進階或專門醫療的模型再做研究。 PubMed DOI

這項研究比較三款大型語言模型產生的SCR手術衛教資料，發現 Gemini-1.5-Pro 在教育品質和病患滿意度上表現最佳。不過，所有模型都沒附參考文獻，也沒提及其他治療選擇或不手術的風險，顯示臨床使用前還是需要專家把關。 PubMed DOI

這項研究比較了多款主流大型語言模型（如Claude、GPT、Gemini）在臨床診斷上的表現。結果顯示，這些AI在常見病例的診斷準確率都超過九成，Claude 3.7甚至有滿分表現；在複雜案例中，Claude 3.7也勝出。小型模型在簡單情境下表現也不差。研究強調，未來應把AI工具實際整合進臨床與醫學教育，提升照護品質。 PubMed DOI

這項研究比較四款主流大型語言模型在產生整形外科醫病對話的表現，結果顯示它們都能產生真實又實用的對話，平均分數都超過4.5分。雖然 Gemini Pro 2.5 和 Claude 3.7 Sonnet 表現稍好，但彼此間沒有明顯差異。這些模型適合用於醫學教育和研究，但還是要注意多元性和偏見的問題。 PubMed DOI