這篇論文探討大型語言模型（LLMs）在電腦媒介臨床諮詢中的應用潛力，涉及醫生、電子健康紀錄（EHR）系統和病人。儘管自然語言處理（NLP）已有進展，但EHR中的自由文本數據尚未被充分利用。LLMs擅長理解和生成自然語言，能有效處理臨床對話。論文建議透過針對特定任務的預訓練和微調，醫療提供者可利用自由文本來識別病人安全問題、支持診斷，並改善臨床互動。作者認為，微調的LLMs結合提示工程，能提升初級護理諮詢的效率與效果。 PubMed DOI

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

這項研究探討大型語言模型（LLMs）在健康心理學中如何增強健康評估，旨在克服傳統統計和機器學習方法的限制。傳統方法因線性評分而準確性不足，而機器學習則在可解釋性和數據需求上有挑戰。研究提出的ScaleLLM利用LLMs的自然語言理解能力，提供健康量表的專家評估。實驗結果顯示，ScaleLLM在身心健康評估的準確性和可解釋性上都有所提升，成為該領域的一個有前景的工具。 PubMed DOI

這項研究發現，GPT-4o 在不用人工標註的情況下，能準確又有效率地從電子病歷資料做慢性病分類，表現比傳統規則式方法和其他 LLMs 更好。GPT-4o 召回率高達 0.97，macro-F1 分數也有 0.92。若結合 LLMs 和規則式方法，還能進一步提升準確度，讓人工審查更聚焦在有疑慮的案例上。 PubMed DOI

本研究提出用大型語言模型（LLM）自動評估AI生成的電子健康紀錄（EHR）摘要，效果和專家評分高度一致，尤其是像GPT-3這類模型。這種方法省時又可靠，有助於確保醫療AI摘要的品質與安全性，適合大規模應用。 PubMed DOI

這篇論文提出用大型語言模型（像 GPT-4o）自動化醫療術語對應 SNOMED CT 等本體，建立 RDF 知識圖譜。研究比較六種系統，發現 GPT-4o 等現代 LLMs 在準確度和語意理解上都比傳統方法好很多，能大幅提升醫療知識圖譜的準確性和資料整合效率。 PubMed DOI

這項研究推出 LLMonFHIR 行動 App，運用大型語言模型，幫助慢性心血管病人用多種語言、不同難度，甚至語音方式，查詢自己的電子健康紀錄。初步測試顯示，醫師認為 App 回覆正確、好懂又實用。雖然在健康摘要和檢驗數據查詢上還有改進空間，但 LLMonFHIR 有助於解決語言和健康素養障礙，讓病人更容易掌握自己的健康資訊。 PubMed DOI

這項研究用多個大型語言模型（像是GPT-4、Claude 3.5等）來自動化產生EMS對話的電子病歷，結果比單一模型更準確，F1分數最高到0.81。專家也認為這系統能減輕紀錄負擔，但偶爾還是會誤解醫療情境。這是首次針對急診醫療紀錄自動化做系統性評估，展現未來應用潛力。 PubMed DOI

這項研究利用大型語言模型（LLMs）把電子健康紀錄（EHR）結構化資料轉成自然語言，並應用在疾病預測。LLMs分別扮演「預測者」和「評論者」兩種角色，負責預測結果和給予改進建議。結果顯示，在樣本數少的情況下，這種方法的預測表現不輸傳統監督式學習，對醫療應用很有發展潛力。 PubMed

這篇研究比較GPT-4大型語言模型、深度學習和機器學習三種方法在電子病歷症狀標準化上的表現。結果發現，GPT-4表現最好，顯示大型語言模型很有潛力成為未來醫師筆記自動化分析的主流工具，有助於推動精準醫療發展。 PubMed