MedicoVerse 是一個針對製藥產業法規文件進行摘要的解決方案，運用先進的機器學習技術。它採用多階段流程，包括詞嵌入、聚類和摘要生成。首先，利用 SapBERT 模型創建嵌入，接著用層次聚合聚類方法組織這些嵌入，最後使用 bart-large-cnn-samsum 模型對每個聚類進行摘要，並合併成綜合概述。與 T5、Google Pegasus 等模型比較後，MedicoVerse 在 ROUGE 分數、BERTScore 等評估標準上表現更佳，提供更具資訊性的摘要。 PubMed DOI

這項研究探討了在醫療保健領域應用預訓練大型語言模型（LLMs）的挑戰，特別是資源有限的情況下。研究開發了三種專門的預訓練方法，包括傳統的遮蔽語言模型、深度對比學習，以及結合醫療元數據的創新方法。結果顯示，對比訓練的模型在分類任務中表現最佳，雖然基於元數據的方法未提升分類性能，但在嵌入集群可分性上有趣的結果。整體而言，這項研究強調了專門預訓練方法在醫療保健自然語言處理中的潛力，並解決了數據隱私和資源限制的問題。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）來提升臨床試驗（CT）方案設計，特別是在資格標準的編碼與總結上。研究人員從ClinicalTrials.gov提取資格部分，並用標準化工具拆解成規則，再透過LLMs進行聚類分析。經過三個實驗評估聚類的有效性，結果顯示這些聚類與CT信息高度對齊，且保留了97%的分類性能。生成的資格部分在ROUGE分數上達到95%，顯示出這種方法在CT設計上具實用性與效率，並提供可視化管道供進一步探索。 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

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

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