研究比較了ChatGPT-3.5、GPT-4和Bard在泌尿婦科檢查的表現。結果顯示GPT-4回答問題最多，其次是GPT-3.5和Bard。三者皆展現邏輯推理，Bard最常參考來源。GPT-4和Bard引用期刊文章和學會指南，GPT-3.5引用書籍和網站。雖GPT-4表現最佳，但無一及格。建議臨床醫師使用語言模型時要謹慎，等待更多證據。 PubMed DOI

研究比較OpenAI的ChatGPT 3.5和Google的Bard在回答腰椎融合手術問題時的表現，結果顯示兩者回答品質高，但在手術風險、成功率和手術方法等特定問題上表現較差。評分者間一致性不高，Bard在同理心和專業性方面稍遜。未來需加強大型語言模型在醫學教育和醫療溝通的應用。 PubMed DOI

這項研究比較了OpenAI的ChatGPT和Google的Bard在提供美容手術病人指導的表現，特別針對拉皮、鼻整形和眉毛提升手術。結果顯示，ChatGPT的平均得分為8.1/10，優於Bard的7.4/10，且在準確性、全面性等方面表現更佳。不過，Bard的回應速度較快。儘管如此，兩者的表現仍有待改進，需進一步開發和驗證才能推薦用於美容外科實踐。 PubMed DOI

這項研究評估了生成式人工智慧模型，特別是 ChatGPT 4.0 和 Bing AI，在美國手部外科醫學會自我評估考試的表現。研究分析了999道選擇題，結果顯示 ChatGPT 4.0 平均得分66.5%，而 Bing AI 則為75.3%，超過 ChatGPT 8.8%。兩者均超過最低及格分數50%，但在涉及圖片和視頻的問題上表現較差。整體來看，這些人工智慧系統在醫學教育中展現了作為互動學習工具的潛力。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是ChatGPT和Bard在病理學的表現，並與病理學實習生的回答進行比較。研究使用了150道選擇題，結果顯示ChatGPT的平均得分為82.2%，明顯優於Bard的49.5%和實習生的45.1%。在困難問題上，ChatGPT表現特別突出，而在簡單問題上，ChatGPT和實習生的表現相近。分析顯示，ChatGPT的一致性率高達80%-85%，而Bard僅54%-61%。這顯示ChatGPT在病理學教育中有潛力，但仍需持續發展和人類監督。 PubMed DOI

這項研究評估了四款熱門聊天機器人（ChatGPT-4、Bard、Perplexity 和 Claude 2）在與認證胸腔外科醫生進行考試的表現。結果顯示，聊天機器人的中位得分為1.06，而外科醫生為1.88，差異顯著（p=0.019）。外科醫生在大多數情境中表現優於聊天機器人，且聊天機器人的重大失誤率較高（0.50對0.19；p=0.016）。總體來看，研究認為聊天機器人的表現顯著不如外科醫生，提醒在臨床決策中應謹慎使用人工智慧。 PubMed DOI

這項研究評估了四種大型語言模型（LLMs）在口腔與顏面外科（OMS）考試問題上的表現，使用了714個問題。結果顯示，GPT-4o的準確率最高，達83.69%，明顯優於Gemini（66.85%）、GPT-3.5（64.83%）和Copilot（62.18%）。此外，GPT-4o在修正錯誤方面也表現優異，修正率高達98.2%。這些結果顯示，GPT-4o在OMS教育中具有潛力，但不同主題的表現差異顯示出進一步精煉和評估的必要性。 PubMed DOI

這項研究顯示ChatGPT-4o在提升病人手術教育方面的潛力。每年全球有約3億次手術，手術後30天內死亡人數達420萬，因此有效的病人教育非常重要。研究針對六種手術程序的常見問題進行音頻回應，並由外科醫生評估。 主要發現包括： - ChatGPT-4o在準確性（4.12/5）和相關性（4.46/5）上表現優異，潛在危害性低（0.22/5）。 - 手術後的回應準確性和相關性優於手術前。 - 小型手術的回應雖少，但準確性高於大型手術。 研究建議將GPT-4o整合進醫院系統，以提供即時可靠的信息，提升病人滿意度和知情決策能力。 PubMed DOI

這項研究評估了兩個大型語言模型（LLMs），ChatGPT-4.0 和 ERNIE Bot-4.0，在外科住院醫師考試問題上的表現，並與人類住院醫師進行比較。分析了596個問題，結果顯示兩者在正確性上無顯著差異，但ERNIE Bot-4.0的表現始終優於ChatGPT-4.0。在210個有提示的問題中，ERNIE Bot-4.0的表現顯著優於ChatGPT-4.0及人類住院醫師，並在住院醫師的分數中排名前95%。總體來看，ERNIE Bot-4.0在此情境中表現更佳。 PubMed DOI

這項研究比較ChatGPT-4.0和DeepSeek-R1在回答耳鼻喉科手術常見問題的表現。ChatGPT-4.0內容較詳細但有時會漏掉手術細節，DeepSeek-R1則簡潔但細節不足。兩者在複雜手術和長期照護上都不夠完善，目前都還不適合提供個別病人專業建議，AI在這領域還需加強。 PubMed DOI