這項研究評估了ChatGPT-4和Gemini在根據2022年美國骨科醫學會的前交叉韌帶重建指導方針生成回應的表現。七位專科醫生使用問卷評估這些回應，結果顯示兩者表現都不錯，平均分數超過4。Gemini在整體清晰度及康復與預防的完整性上優於ChatGPT-4，顯示出顯著的優勢。這項研究強調了大型語言模型在醫療領域的潛力，對醫療專業人員和病人皆有價值。 PubMed DOI

這項研究評估了大型語言模型（LLMs），如ChatGPT和Copilot，對於低背痛（LBP）醫療建議的有效性。研究在蒙特利爾大學進行，針對27個常見問題進行回答，並由物理醫學科醫師評估其有效性、安全性和實用性。結果顯示，ChatGPT在有效性得分3.33，安全性3.19，實用性3.60；而Copilot則分別為3.18、3.13和3.57。臨床背景對結果影響不大，顯示LLMs在低背痛自我管理中具有可靠性，未來在病人照護中有潛力。 PubMed DOI

這項研究評估了三個大型語言模型（LLMs）—ChatGPT-3.5、ChatGPT-4.0 和 Perplexity—在回答骨關節炎（OA）相關問題的準確性。研究將25個問題分為六個主題，並由三位骨科專家進行評分。結果顯示，ChatGPT-4.0的表現最佳，64%的回答被評為「優秀」，而ChatGPT-3.5和Perplexity分別為40%和28%。雖然所有模型的整體評分都很高，但在「治療與預防」方面表現較弱。這項研究顯示了大型語言模型的潛力，特別是ChatGPT-4.0在提供OA資訊上的準確性。 PubMed DOI

這項研究評估了大型語言模型（LLMs）在僅依據患者報告的問卷數據來檢測髖關節或膝關節骨關節炎（OA）的診斷能力。115名患者填寫了有關症狀和病史的問卷，研究分析了多個LLMs的表現，結果顯示GPT-4o的診斷敏感性最高，達92.3%。雖然GPT-4的不同版本之間有中等一致性，但某些模型如Llama-3.1的準確性較低。研究強調醫療監督的重要性，並呼籲進一步研究以提升LLM的診斷能力。 PubMed DOI

這項研究探討了大型語言模型（LLM），特別是ChatGPT 3.5，分析電子健康紀錄（EHR）筆記的潛力，判斷全膝關節置換術（TKA）患者在一年後是否達到膝關節骨關節炎結果評分的最小臨床重要差異（MCID）。研究發現，ChatGPT 3.5的敏感性高達97%，但特異性僅33%，整體準確率為65%。相比之下，外科醫生的敏感性為90%，特異性63%，準確率76%。結論指出，LLM在識別改善患者方面表現良好，但仍需改進以提升其臨床應用的準確性。 PubMed DOI

這項研究發現，ChatGPT（GPT-4）在解釋肌肉骨骼疾病資訊時表現不錯，但在提供復健建議時內容較不完整且穩定度不足。評審者對疾病資訊的評價較一致，但對復健建議的看法分歧。整體來說，ChatGPT可作為輔助工具，但目前還無法取代物理治療師的專業判斷，臨床應用上還需再加強。 PubMed DOI

三款主流聊天機器人（ChatGPT 4.0、Claude 2、Gemini）回答阿基里斯肌腱病變相關問題，ChatGPT 4.0「優秀」答案較多，但總分差不多。專家評分有落差，顯示標準化評估還不夠。雖然這些AI能提供不錯的醫療資訊，但臨床應用時還是要小心。 PubMed DOI

這項研究發現，GPT-4在為膝關節骨關節炎患者產出個人化自我管理衛教內容時，表現比臨床醫師更快、更完整且更精確。不過，GPT-4有時用詞太複雜，對健康識讀較低的患者不夠友善。未來建議AI與醫師共同審查，才能兼顧品質與安全。 PubMed DOI

這項研究發現，ChatGPT-4o能為多重健康問題患者產生個人化復健計畫，經專家評分後，大多數只需稍作修正即可用，且在臨床準確性與安全性表現佳，尤其針對呼吸和肌肉骨骼問題。不過，實際應用前還是需要專家把關與調整。 PubMed DOI

這項研究比較 GPT-3.5、GPT-4、Google Gemini 和 Claude 3 Opus 四款主流大型語言模型，針對全膝關節置換手術常見病人問題的回答表現。結果發現，ChatGPT-4 在加入「資深骨科醫師」角色扮演提示後，正確性、完整性和可接受性都表現最佳。角色扮演提示能明顯提升 ChatGPT 系列的回答品質，但對 Gemini 和 Claude 幫助不大。整體來說，LLM 對骨科衛教有幫助，但偶爾還是會有錯誤資訊。 PubMed DOI