這項研究系統性回顧了生成性大型語言模型（LLMs）在臨床環境，特別是電子健康紀錄（EHRs）的應用。儘管自然語言處理技術進步，LLMs在臨床實踐中的整合仍有限，面臨多重挑戰。研究分析了自2023年以來的76篇相關文獻，發現包括提示工程的使用、少數多模態數據的應用、評估指標的多樣性，以及臨床決策中的偏見和幻覺等問題。未來需改進計算技術和標準化評估，以提升LLMs在醫療中的可靠性。總之，LLMs在病人護理上有潛力，但仍需克服重大障礙。 PubMed DOI

隨著醫療保健對先進分析的需求增加，合成健康數據的使用變得愈加重要，尤其是在獲取真實健康數據的挑戰下。大型語言模型（LLMs）的進展為生成合成健康數據提供了新機會，但也帶來潛在風險。本文綜述了合成健康數據生成（SHDG）及LLM的研究，探討生成對抗網絡等機器學習模型的現狀與局限性。SHDG面臨的挑戰包括評估指標、數據效率、健康公平等，雖然LLMs在某些方面顯示潛力，但深入研究其優缺點仍然至關重要。 PubMed DOI

這項研究探討使用臨床筆記進行研究時，去識別化和合成數據生成在隱私保護上的有效性。主要發現包括： 1. 去識別化的臨床筆記無法完全防止成員推斷攻擊，可能洩露特定數據。 2. 開發了一種新方法，利用大型語言模型生成合成臨床筆記。 3. 合成筆記在臨床任務中的表現與真實筆記相似。 4. 雖然合成筆記表現良好，但仍面臨與真實筆記相似的隱私問題。 研究建議需進一步探索合成臨床筆記的替代方法，以提升隱私保障。 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

生成式AI能根據學到的知識，創造新穎且逼真的資料，對提升肌肉骨骼醫療影像品質、自動化紀錄、手術規劃和個人化溝通很有幫助。不過，目前臨床應用還有幻覺、偏誤、倫理和透明度等挑戰需克服。 PubMed DOI

這篇文章用簡單易懂的方式，介紹生成式AI在醫療上的應用，像是合成資料、臨床紀錄和診斷輔助等。雖然這些技術很有潛力，但目前還有知識落差、虛構內容、偏見、透明度不足和法規倫理等問題。作者強調，生成式AI不會取代醫師，但醫療人員了解這些工具很重要。 PubMed DOI

這項研究評估7種大型語言模型產生的14萬筆合成電子健康紀錄，發現模型越大，資料越完整，但性別和種族偏見也越明顯。性別偏見多反映現實疾病分布，種族偏見則不一致，部分模型高估White或Black患者，低估Hispanic和Asian族群。研究強調AI健康資料需兼顧準確性與公平性，並呼籲建立更完善的偏見評估標準。 PubMed DOI

這篇綜述主要討論 RAG 技術如何應用在醫療領域的大型語言模型，並整理現有資料集、技術和評估方式。多數研究用英文或中文資料，且偏好 GPT-3.5/4 這類專有模型。現階段缺乏統一的評估標準，對倫理問題的討論也不夠。未來需要更多研究，確保 RAG 在醫療應用上既安全又有效。 PubMed DOI

這篇研究用 Bio_ClinicalBERT 等預訓練語言模型，提出產生去識別化合成臨床信件的方法。結果顯示，僅有編碼器的模型表現較佳，只要保留臨床實體，一般模型也能媲美專用模型。遮罩停用詞有助提升品質，遮罩名詞或動詞則會降低品質。BERTScore 是最佳評估指標。偶爾的幻覺對臨床應用影響不大。程式碼和模型已開源。 PubMed DOI