這項研究評估了AtlasGPT和ChatGPT 4.0在預測動脈瘤性蛛網膜下腔出血（aSAH）患者的準確性，並與傳統臨床評估量表比較。研究包含82名患者，結果顯示住院死亡率為22%，34.1%需進行減壓性半顱切除手術。出院時28%患者有良好結果，六個月後提升至46.9%。AtlasGPT在預測手術需求方面表現最佳（AUC 0.80），而WFNS量表在長期功能預測上最為準確（AUC 0.76）。研究建議結合AI模型與傳統量表可提升預測準確性。 PubMed DOI

這項研究探討了大型語言模型（LLMs）在急性缺血性中風（AIS）病例中的應用，特別是機械性血栓切除術（MT）的適應性。研究分析了100名AIS患者的數據，LLM根據放射學報告、神經症狀、發病資訊和患者年齡進行判斷。結果顯示，該AI模型的整體準確率達88%，特異性96%，敏感性80%，曲線下面積為0.92，顯示出LLMs在整合醫療數據方面的潛力，並鼓勵進一步探索其在臨床的應用。 PubMed DOI

這項研究旨在開發機器學習和深度學習模型，自動化根據臨床轉診文本制定緊急腦部MRI掃描的協議。研究分析了2016至2019年間的1,953份轉診，並由神經放射科醫師提供參考標準。使用了三種機器學習演算法和兩個深度學習模型，結果顯示GPT-3.5模型在協議預測上達84%準確率，對比劑需求判斷達91%。研究證明這些模型能有效自動化MRI掃描協議的制定，結果已發表。 PubMed DOI

這項研究開發了一個中風診斷與預測工具，利用ChatGLM-6B大型語言模型，透過分析電子健康紀錄和非對比電腦斷層掃描報告中的自由文本，來提升中風的檢測與治療。研究使用了1,885名患者的數據進行訓練和驗證，並在335名患者的外部測試中進行評估。結果顯示，內部驗證準確率高達99%，外部測試則為95.5%和79.1%。該模型在識別缺血性和出血性中風方面表現優異，並有潛力改善中風識別及患者預後。 PubMed DOI

機器學習和神經網路能更準確預測ICU病人的死亡率和併發症，但目前多數模型像黑盒子，透明度不足，讓醫師難以信任和採用。提升透明度對驗證和建立信任很重要。未來神經網路有望大幅改善ICU照護，並逐步融入臨床實務。 PubMed DOI

AI 正在加速中風治療流程，提升篩選病人的精準度，也讓更多人能及時接受進階治療。不過，目前還有資料偏誤、透明度不足和驗證有限等問題待解決。未來需加強資料共享、發展可解釋系統、完善法規並持續臨床試驗，才能確保病人獲得安全又公平的治療。 PubMed DOI

這項研究開發了一套全自動化系統，能用腦部MRI和機器學習，快速預測中風患者的長期認知狀況。系統會自動分割病灶、分析腦網路，3分鐘內就能產出個人化報告，準確率高達96%。這技術有助未來臨床應用，幫助醫師規劃更精準的中風照護與復健。 PubMed DOI

這項研究開發了一套新模型，把臨床資料轉成文字，再結合數值資訊，利用大型語言模型來預測心肺繞道手術前發生急性腎損傷的風險，準確率高達AUC 0.92。研究也找出哪些術前和術中措施有助預防AKI，能幫助醫師更早預測並預防相關風險。 PubMed DOI

這項研究開發了一套AI系統，能用大型語言模型自動從CT和MRI放射科報告中偵測新發急性或亞急性腦梗塞。模型在大量日文報告訓練下，對新發腦梗塞的敏感度高達0.891，整體準確率0.923，能快速分類並及早發出警示，協助臨床判斷。 PubMed DOI

雖然AI技術進步很快，但要在臨床上做到精確又能解釋的個人化治療，還是有不少困難。本研究開發的H-SYSTEM，結合醫學知識圖譜和AI模組，能幫助神經外科醫師處理高血壓性腦出血。測試結果顯示，H-SYSTEM在診斷和治療規劃的準確率超過91%，比醫師和大型語言模型還高，且在多家醫院都適用，顯示它有成為臨床決策好幫手的潛力。 PubMed DOI