生成式人工智慧，特別是大型語言模型（LLMs），在兒科教育和訓練上有很大潛力。這些模型能幫助教育者改善課程設計、制定個性化學習計畫，並提供即時反饋，還能協助醫生簡化資訊搜尋，提升診所效率。不過，LLMs也可能產生不準確資訊，並引發偏見和倫理問題。因此，專業人士需謹慎使用並審查其輸出。為確保安全有效的應用，相關方應建立明確的指導方針和政策。本文探討了LLMs在兒科教育中的歷史、應用及挑戰。 PubMed DOI

將大型語言模型（LLMs）整合進抗生素處方的醫療決策中，逐漸受到重視，但面臨挑戰。首先，LLMs在臨床環境中的應用需更深入的醫療理解，因為它們的建議直接影響病患健康。其次，專業知識悖論顯示醫療人員可能過度依賴AI，影響臨床判斷。因此，AI應該輔助而非取代人類決策。最後，LLMs的錯誤風險需謹慎對待，必須建立健全的驗證流程，確保其作為輔助工具的角色。 PubMed DOI

抗生素的處方需在有效治療與降低抗藥性風險之間取得平衡。目前對大型語言模型（LLMs）的研究缺乏標準化，顯示出識別其輸出中的偏見和錯誤資訊的必要性。教育未來醫療專業人員了解這些問題至關重要，以確保在抗生素處方中正確使用LLMs。這樣的教育能幫助他們掌握LLMs的優缺點，最終促進臨床決策的改善。 PubMed DOI

在兒科護理中，藥物計算錯誤仍然是一大挑戰。本研究探討大型語言模型（LLMs）如ChatGPT-4o和Claude-3.0在減少這些錯誤的效果，並與經驗豐富的護理人員進行比較。結果顯示，LLMs的準確率達100%，而護理人員為93.14%。此外，LLMs的計算速度也顯著更快。研究建議進一步探索這些模型在醫療環境中的應用潛力，以提升藥物安全性和臨床效率。 PubMed DOI

大型語言模型（LLMs）在醫療領域的應用日益增多，能協助診斷和治療感染。一項研究比較了全科醫生與六個LLMs（如ChatGPT、Gemini等）對24個臨床案例的反應。全科醫生在診斷和抗生素處方的準確率高達96%-100%，但在劑量和療程的準確性上較低（50%-75%）。LLMs的表現也不錯，但在參考指導方針的能力上不一致，特別是在挪威的表現不佳。研究指出LLMs有數據洩漏的風險，雖然它們在抗生素處方上有潛力，但全科醫生在臨床情境解釋和指導方針應用上仍更具優勢。 PubMed DOI

這項研究探討了一個微調過的GPT-3模型在農村醫療環境中對兒科病例診斷的有效性，因為這些地區專家資源有限。研究分析了路易斯安那州中部的500個兒科就診案例，發現模型準確率達87.3%，敏感度和特異度分別為85%和90%，與兒科醫生的91.3%相當。模型在不同年齡組和常見病症中表現穩定，但對罕見診斷的準確率稍低。總體來說，這個微調的GPT-3模型可作為農村兒科護理的可靠診斷工具，但仍需在不同人群中進一步驗證。 PubMed DOI

這項研究評估了十四個大型語言模型（LLMs）在不同臨床情境中推薦抗生素的表現。研究使用標準化提示，針對60個案例的藥物選擇、劑量和治療持續時間進行評估。結果顯示，ChatGPT-o1的準確率最高，達71.7%，劑量正確性達96.7%。而在治療持續時間方面，Gemini表現最佳（75.0%）。不過，各模型在複雜案例中的表現差異明顯，顯示出在臨床應用前仍需謹慎驗證。 PubMed DOI

這項研究發現，ChatGPT-4o在分析敗血症患者臨床紀錄、評估抗生素和導管管理上表現不錯，但在隔離措施和壓瘡辨識上有失誤。整體來說，LLMs有潛力成為臨床感染控制的輔助工具。 PubMed DOI

小兒肺炎診斷困難，影響幼童生命。P2Med-MLLM是一款結合文字和醫學影像分析的AI模型，能協助醫師更快更準確診斷與治療。實測結果顯示，這個模型比現有方法更有效率，有助於提升醫療品質並拯救更多孩子的生命。 PubMed DOI

這項研究開發了一套免寫程式碼、全自動化的方法，利用GPT-4o mini從50份藥品說明書中擷取兒童用藥資訊。辨識兒科適應症時，召回率高達95%、精確率有78%，證明大型語言模型能有效分類適合兒童的藥物。這工具讓沒IT背景的醫療人員也能輕鬆操作。 PubMed DOI