這項研究回顧了大型語言模型（LLMs）在醫療領域中所引發的人口統計偏見，並強調了相關的擔憂。從2018年到2024年，分析了24項研究，發現91.7%的研究識別出偏見，性別偏見最為普遍（93.7%），種族或民族偏見也高達90.9%。雖然偏見檢測有所改善，但有效的減緩策略仍在開發中。隨著LLMs在醫療決策中的重要性上升，解決這些偏見對建立公平的人工智慧系統至關重要。未來研究應考慮更廣泛的人口因素及非西方文化背景。 PubMed DOI

這篇評論探討了影響美國醫療保健中大型語言模型（LLMs）公平設計的八項關鍵法規與指導方針，並將公平問題分為語言與文化偏見、可及性與信任、監管與質量控制三大領域。提出的解決方案包括確保多元代表性、使用真實數據評估AI表現、消除歧視、改善英語能力有限患者的可及性、提升工作效率、強制人類監督AI工具，以及確保AI的安全性與隱私尊重。這些措施有助於透過LLMs促進健康公平，解決醫療系統中的差距。 PubMed DOI

這篇評論指出將像ChatGPT這樣的AI技術應用於醫療領域的潛在好處，包括提升效率、降低成本和改善病人結果。不過，它也強調了解決倫理挑戰的重要性，以確保公平使用。評論將這些挑戰分為五個主要領域：偏見、隱私、錯誤資訊、自主性和問責。為了解決這些問題，提出了INNOVATE框架，旨在為AI在醫療中的應用提供明確的倫理指導，促進負責任的整合，並減少倫理顧慮。 PubMed DOI

人工智慧（AI）正在改變醫療保健，但也帶來了倫理和法規挑戰。本研究旨在建立一個可信賴的AI框架，強調透明度和公平性，並提供可行策略以在臨床中實施。透過文獻回顧，發現目前AI治理存在缺口，提出了適應性監管框架和可量化的可信度指標。研究強調多方參與和全球合作的重要性，以確保AI創新能解決醫療需求。實現可信賴的AI需要技術進步、倫理保障和持續合作，促進負責任的創新並提升病人結果。 PubMed DOI

雖然 ChatGPT 這類 AI 很厲害，但我們對它們可能帶來的「存在性風險」還不太清楚。這些風險可能從公平性、問責性等議題慢慢演變而來。論文討論了 AI 可能造成的傷害，以及像 AI 對齊、過度信任、安全、開源、醫療和社會影響等減緩風險的方法。 PubMed DOI

AI在醫療上雖能提升治療效果，但也常因資料不夠多元、邊緣族群代表性不足而產生偏見和不平等。為了確保公平，需用多元資料、修正偏見，並讓團隊更包容，同時推動公平審查、透明流程及國際合作，才能打造真正公平的醫療AI。 PubMed DOI

近期LLM在醫療應用上進步很快，但輸入多餘的社經細節（如種族、收入、LGBT+身份）可能讓結果產生偏見，甚至加劇健康不平等。為此，作者提出EquityGuard框架，能偵測並減少這些不公平風險，實驗證明能讓不同族群獲得更公平的醫療建議。 PubMed DOI

這項研究比較了三種AI（ChatGPT、Gemini、Claude）在模擬醫學教育領導者設定上的差異。結果發現，Claude偏好產生年長、白人、男性領導者，ChatGPT和Gemini則較多元。這些偏見可能讓醫學教育更不公平，凸顯發展倫理AI和推動領導多元化的重要性。研究只用AI生成資料，沒用到真人資訊。 PubMed DOI

生成式AI像ChatGPT未來可協助醫療文件處理，減輕醫師行政負擔並提升紀錄標準化。不過，這也帶來偏見、臨床判斷影響、醫病關係改變等倫理疑慮，且出錯時責任歸屬不明。建議應主動告知病人、醫師審查AI草稿、訂定規範及錯誤通報機制，並強化多元訓練資料與醫學教育。 PubMed DOI

這項研究發現，ChatGPT 3.5在腎臟科決策時，遇到涉及歧視的問題還是會直接回答；而4.0有時會拒絕作答，雖然有進步，但兩者在辨識偏見上還是不夠。研究強調，AI應用在醫療和人事決策時，必須加強規範、DEI指引和倫理監督，才能確保公平公正。 PubMed DOI