這項研究探討心理概念重疊的問題，這種重疊讓數據解釋變得複雜，增加了參與者的負擔。研究引入了一種名為嵌入式語義分析方法（ESAA），利用自然語言處理技術檢測心理量表中的冗餘。透過OpenAI的text-embedding-3-large模型，ESAA生成高維語義向量，並用層次聚類識別相似項目。 研究進行了三個實驗，評估ESAA在識別相似項目、區分不同項目及揭示冗餘方面的有效性。結果顯示，ESAA表現穩定且優於基於GPT-4的聊天機器人，顯示其在心理研究中的潛力。 PubMed DOI

這項研究探討大型語言模型（LLMs），特別是GPT-4o，在公共衛生文件分析中的應用，像是社區健康改善計畫。研究比較了GPT-4o的半自動化輸出與人類分析師的表現。 主要發現包括： 1. **準確性**：GPT-4o的抽象準確率為79%，錯誤17次；人類分析師則為94%，錯誤8次。數據綜合方面，GPT-4o準確率僅50%，錯誤9次。 2. **時間效率**：GPT-4o在數據抽象上耗時較少，但考慮到提示工程和修正錯誤，實際節省不明顯。 3. **謹慎態度**：建議公共衛生專業人員謹慎使用生成式AI，權衡資源節省與準確性問題。 總之，GPT-4o在公共衛生內容分析上有潛力，但需注意其限制。 PubMed DOI

跌倒是醫院常見的不良事件，對患者及醫療系統影響深遠。本研究旨在利用大型語言模型（LLMs）自動編碼住院跌倒記錄，提取跌倒地點及受傷情況。研究分析了187條跌倒事件，使用GPT-4-turbo模型進行數據分類，結果顯示模型在地點和受傷檢測上表現優異，準確率均超過0.913及0.953。結論指出，GPT模型能有效從未優化文本中提取信息，顯示其在臨床風險管理中的潛力。 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

大型語言模型正加速醫療自動化，像是自動紀錄、排程和收入管理等應用越來越多。雖然有助提升效率，但在法規、偏見、系統整合和信任等問題上還有待克服，未來普及與否，關鍵在於能否妥善解決這些疑慮。 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，Microsoft Copilot、Gemini 和 Meta AI 能把燒燙傷衛教資料簡化到國中六到八年級的閱讀程度，有助於讓醫療資訊更容易被一般民眾理解。不過，內容還是需要醫師或臨床人員審查，確保正確性和適合度。 PubMed DOI

這項研究用機器學習模型來比對英文和韓文健康問卷的語意相似度，目的是讓不同語言的健康資料更容易統一和標準化。研究發現，SBERT-LaBSE模型在跨語言比對上表現最好。這方法有助於整合多語言健康問卷，但還需要更多資料和領域來驗證。 PubMed DOI

這項研究發現，用大型語言模型自動產生心臟衰竭住院摘要，能幫助部分醫師更快回答問題，且準確率沒變。大多數醫師認為這樣能省時間，也願意使用，但摘要格式要配合個人需求。整體來說，LLM有助提升醫師效率，但摘要內容還需客製化。 PubMed DOI