這項研究開發了一個聊天機器人，目的是早期識別青少年的抑鬱症狀，並解決精神科服務接觸率低的問題。研究分為兩個步驟： 1. **數據收集與分析**：對53名青少年進行標準化訪談，產生4,077對問答，訓練出一個準確率高達97%的模型，能有效區分有無抑鬱症的青少年。 2. **使用Chat GPT生成數據**：為增強數據集，研究利用Chat GPT生成額外語句，發現有效的提示工程具有挑戰性，但成功策略是平衡提示長度與示例數量。 總體來看，這項研究顯示分析青少年語言模式能有效識別抑鬱症狀，而Chat GPT則是創建合成數據的好工具。 PubMed DOI

這項研究探討了HoMemeTown Dr. CareSam的開發與評估，這是一個支援英語和韓語的心理健康聊天機器人。研究針對20位18到27歲的韓國年輕人進行，機器人提供感恩日記和風險檢測等功能。結果顯示用戶在積極性、支持和同理心方面滿意度高，但在專業性和內容複雜性上仍需改進。雖然該聊天機器人展現潛力，但小樣本和短期研究顯示需進一步擴大臨床試驗以提升其有效性。 PubMed DOI

這篇論文探討了一種檢索增強生成（RAG）架構，幫助臨床醫師從社交媒體獲取醫療資訊，特別是針對新興藥物問題。研究比較了大型語言模型Nous-Hermes-2-7B-DPO與GPT-4的表現，評估它們在生成醫療查詢相關答案的能力。結果顯示兩者在相關性、連貫性和覆蓋率上表現相當，但在可讀性上有顯著差異。總體而言，RAG框架在低資源環境中有效解決醫療問題，為臨床醫師提供了有價值的工具。 PubMed DOI

這項研究評估了四種大型語言模型（LLM）工具——ChatGPT、Google Bard、Microsoft Bing Chat 和 Google SGE——在提供癌症兒童照顧者資訊的有效性。研究使用26個常見問題，五位小兒腫瘤學專家根據多項標準進行評估。結果顯示，ChatGPT整體表現最佳，特別在複雜性上，而Google Bard在準確性和清晰度上表現突出。Bing Chat和Google SGE得分較低。專家強調情感語調和同理心的重要性，未來需進一步研究這些工具在其他醫療領域的應用。 PubMed DOI

這項研究強調大型語言模型（LLMs）在醫療領域的潛力，特別是透過檢索增強生成（RAG）來提升數據透明度和準確性。研究團隊開發了GuideGPT，一個能理解上下文的聊天機器人，整合了449篇科學文獻的知識，提供有關藥物相關性顳骨壞死（MRONJ）的資訊。與通用的PureGPT相比，GuideGPT在內容、科學解釋和一致性上表現更佳，顯示RAG能有效提升LLM的回應質量，成為臨床實踐中的重要工具。 PubMed DOI

基因學的進展讓基因諮詢需求增加，但合格的諮詢師卻短缺，因此有興趣利用大型語言模型（LLMs）來輔助基因諮詢。本研究針對日本基因諮詢LLMs（JGCLLMs）進行探索，評估了提示工程、檢索增強生成（RAG）和指令調整三種技術的效果。結果顯示，RAG在改善基因諮詢的關鍵指標上特別有效，而其他兩者效果較差。研究也揭示了倫理問題，強調在這些系統應用於醫療前，需持續改進與謹慎評估。 PubMed DOI

這項研究探討大型語言模型（LLMs）和檢索增強生成（RAG）系統在管理基於證據的信息的效果，特別針對13項神經學指導方針和130個問題。結果顯示性能差異明顯，雖然RAG系統在準確性上有所提升，但仍可能產生有害回應。此外，RAG系統在處理案例型問題時表現不如知識型問題。研究強調需要進一步改進和規範，以確保RAG增強的LLMs在臨床上的安全使用。 PubMed DOI

檢索增強生成（RAG）透過整合最新數據，提升大型語言模型（LLMs）的準確性與上下文意識。這方法將文本轉為數值嵌入，幫助檢索與使用者查詢相關的數據片段，讓模型的回答更具時效性。在腫瘤學中，RAG能改善治療建議、增強臨床試驗匹配，並加速藥物開發。不過，RAG的效果取決於數據質量，偏見或不完整的信息可能導致錯誤結果，因此需謹慎實施並加強人類監督。 PubMed DOI

這項研究探討了基於GPT-4的檢索增強生成（RAG）模型在術前評估中的有效性。研究測試了十個大型語言模型，生成超過3,200個回應，並與近450個人類答案進行比較。結果顯示，使用國際指導的GPT-4 LLM-RAG模型準確率達96.4%，明顯高於人類的86.6%，且反應時間更快、不一致情況較少。這顯示LLM-RAG模型在醫療環境中提升術前評估的潛力。 PubMed DOI

這項研究推出CMedRAGBot中文臨床醫學問答系統，結合RAG和醫學知識圖譜，有效減少LLM幻覺和知識過時問題。系統包含知識圖譜、強化NER模型（用Chinese-RoBERTa+BiGRU+資料增強）及意圖辨識。實測在五種主流LLM和醫學考題上，答案正確率最高提升10%。資料增強和意圖辨識對NER和複雜問題理解特別有幫助。原始碼已開源。 PubMed DOI