這項研究探討了訓練大型語言模型（LLMs）來根據美國住院醫師教育認證委員會（ACGME）的標準分類受訓者的反饋。研究發現，雖然複雜的模型未必能提高分類準確率，但較小的模型如BERT-mini在性能上與FastText相當，且在個人設備上部署時更具優勢，能提升速度和數據隱私。這項研究有助於理解如何有效整合LLMs於醫學教育中。 PubMed DOI

這項研究探討了Gemini Advanced這個大型語言模型（LLM）在生成臨床小案例和導師指南的有效性，並評估其與問題導向學習（PBL）課程的學習目標的對齊程度。研究結果顯示，LLM生成的臨床小案例在對齊學習目標上得分較高，但原始案例在教育適切性和遵循PBL設計方面表現較佳。導師指南方面，LLM版本在流程和內容全面性上表現優異，但缺乏視覺元素。總體而言，建議醫學教育者利用LLM創造創新的學習體驗，同時注意其局限性。 PubMed DOI

大型語言模型（LLMs）在醫療保健中展現出顯著潛力，能增強醫學教育、臨床決策支持及醫療管理。文獻回顧顯示，LLMs可作為虛擬病人和個性化導師，並在醫學知識評估中超越初級實習生。在臨床決策中，它們協助診斷和治療建議，但效果因專科而異。此外，LLMs能自動化臨床筆記和報告生成，減輕醫療人員的負擔。然而，仍需解決幻覺、偏見及病人隱私等挑戰。未來的整合需謹慎，並強調倫理與合作。 PubMed DOI

這項研究探討大型語言模型（LLMs）在幫助病人理解臨床筆記及做出明智決策的效果。研究評估了三種LLM（ChatGPT 4o、Claude 3 Opus、Gemini 1.5），使用四種提示方式，並由神經腫瘤科醫生和病人根據準確性、相關性、清晰度和同理心等標準進行評分。結果顯示，標準提示和角色提示的表現最佳，特別是ChatGPT 4o最為突出。不過，所有LLM在提供基於證據的回應上仍有挑戰。研究建議，LLM有潛力幫助病人解讀臨床筆記，特別是使用角色提示時。 PubMed DOI

大型語言模型在醫學教育應用越來越普遍，不只幫助老師設計課程、製作教材，也能給予學生回饋，提升語言和寫作能力。這篇綜述分析實際案例，說明LLMs對師生的好處，並討論遇到的挑戰及解方。研究建議醫學教育應更廣泛運用LLMs，以提升學習成效和病人安全。 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

**重點摘要：** 這項研究測試了兩個大型語言模型（LLMs），用來從真實的臨床紀錄自動產生出院摘要，並用一個經過驗證的評分指標來評分他們的結果。兩個模型的表現差不多，顯示LLMs有潛力協助醫師準備出院摘要，進而減輕臨床醫師的行政工作負擔。 PubMed DOI

這項研究發現，多款主流大型語言模型在以色列基層醫療執照考試中表現不錯，尤其用結構化和範例提示時更明顯。最佳模型分數高達 85.5%，解釋也多半正確有邏輯，但偶爾還是會出現捏造資訊。雖然 LLM 在家庭醫學考試很有潛力，但還無法取代臨床技能或與病人互動。未來應加強減少幻覺、檢查偏誤及提升實務應用。 PubMed DOI

最新研究發現，像 ChatGPT-4 Omni 這類大型語言模型，在 CPT 和歐洲處方考試的表現跟醫學生差不多，甚至更厲害，特別是在知識和開藥技巧上。這些 AI 還能揪出題目寫不清楚的地方，不只適合當教學工具，也有助於改進考題品質。 PubMed DOI

這項研究開發了一個用大型語言模型的AI工具，能根據老師的評分標準自動批改醫學簡答題，分數跟人工評分幾乎一樣準（相關係數0.93–0.96）。這不只可以大幅減輕老師的批改壓力，還能給學生更細緻、個人化的回饋。 PubMed DOI