阿茲海默症及相關癡呆症的漏診問題可能會影響及時介入，增加醫療成本。為了解決這個問題，開發了名為Decipher-AI的人工智慧演算法，能篩檢初級醫療患者是否有未診斷的認知障礙。這個演算法結合了大型語言模型和電子健康紀錄，預測認知障礙的可能性，AUC值達0.98。測試結果顯示AUC為0.80，敏感度0.75，特異度0.68，但對75歲以下及弱勢社區患者的效果較差。研究強調了改善篩檢的潛力，並需解決社會人口差異問題。 PubMed DOI

癡呆症的診斷在全球醫療中面臨挑戰，主要因為其複雜性及電子健康紀錄的不一致性。傳統診斷方法可能會漏掉或錯誤識別病例，因此需要改進工具。本研究探討人工智慧（AI）及大型語言模型（LLMs）在提升癡呆症檢測的潛力。研究結果顯示，使用GPT-4的患者紀錄聚合方法達到最高準確率0.86，顯示大型語言模型能顯著改善癡呆症診斷的準確性，優於傳統方法。 PubMed DOI

多學科團隊（MDTs）在癌症護理中非常重要，但需要專家投入大量時間，導致醫療成本上升。最近大型語言模型（LLMs）的進展，可能提升臨床決策的效率，並降低MDT的相關成本。 一項針對171名新診斷前列腺癌患者的研究比較了兩個LLMs（chatGPT-4和Claude-3-Opus）與MDT會議的建議。結果顯示，LLMs的遵循率高達93%。不一致的情況主要因為臨床資訊不足。研究顯示，LLMs能生成準確的治療建議，未來有潛力簡化MDT流程，讓專家專注於更複雜的案例，並降低醫療成本。 PubMed DOI

這項研究評估大型語言模型（LLMs）在根據病患醫療紀錄生成早期乳腺癌治療選項的準確性。使用2024年初的多學科團隊會議紀錄，測試了三個AI模型：Claude3-Opus、GPT4-Turbo和LLaMa3-70B。結果顯示，Claude3-Opus準確率86.6%，GPT4-Turbo為85.7%，LLaMa3-70B則為75.0%。兩者在輔助內分泌和靶向治療上表現良好，但在輔助放射治療上則有高估的情況。研究建議需進一步探討這些模型在臨床上的實際應用。 PubMed DOI

這篇論文探討了一個智能藥物助手的開發，目的是透過個性化的藥物建議來改善抑鬱症治療。助手利用先進技術，如大型語言模型（LLMs），分析病人的病歷和健康狀況，提供更準確的建議。研究分析了40個需要精神科監測的案例，測試了十個LLMs，結果顯示商業模型GPT-4的表現優於開源模型Llama-3，顯示出在心理健康領域的顯著進步。 PubMed DOI

機器學習（ML）和人工智慧（AI）在醫療領域的應用潛力巨大，但仍面臨解釋性和可靠性等挑戰。本文提出一種新方法，利用大型語言模型（LLMs）進行特徵工程，從《牛津醫學教科書》中提取臨床特徵，提升可解釋性。這種方法將臨床筆記轉換為概念向量，並使用線性分類器，準確率達到0.72，超越傳統基準。使用文本嵌入技術也顯著降低了時間和成本，減少了97%。相關代碼和補充材料可在指定網址獲得。 PubMed DOI

目前用醫療理賠資料來判斷阿茲海默症和相關失智症，其實準確度不太理想。這篇研究用AI文字分類模型（像深度學習和大型語言模型）來分析電子病歷，結果發現Llama 2這種LLM模型表現最好，準確度明顯贏過傳統方法（AUC 0.95比0.85）。其他AI模型也比傳統方法優。這顯示用AI分析病歷有助於更準確找出ADRD病人，但還需要更多資料驗證。 PubMed DOI

這項研究發現，大型語言模型（如Qwen-2.5-max和Llama-3.2）能自動產生子宮頸癌放射治療計劃，效果不輸人類專家，甚至在某些指標上更優，而且規劃速度更快。這代表未來有機會用AI簡化放射治療流程，減輕醫護人員負擔，提升臨床效率。 PubMed DOI

這項研究打造了專為慢性下背痛設計的臨床決策支援系統，結合大型語言模型、RAG和LtM提示，讓AI更貼近專家思考。客製化的CLBP-GPT在準確性、相關性等表現都勝過現有主流模型，能提供更精確、完整的診斷與治療建議，有助提升患者的個人化照護品質。 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