人工智慧（AI）在醫療領域的應用逐漸普及，透過大型語言模型（如GPT-4）和自動語音識別技術，能有效提升醫療文檔的效率，讓醫生更專注於病人護理。然而，AI生成的內容需謹慎校對，因為可能出現錯誤或不準確的資訊。此外，隨著醫療數據的增加，患者隱私和算法偏見的風險也上升。因此，開發者應加強監管，遵循倫理指導，並改善輸出準確性。 PubMed DOI

Rodriguez-Nava 等人進行了一項概念驗證研究，探討如何利用安全的大型語言模型（LLM）來獲得醫療數據的批准。他們的研究專注於回顧性識別中心靜脈導管相關血流感染（CLABSIs），這是一種特定的醫療相關感染（HAI），並使用真實病人的數據進行監測。研究結果顯示，LLMs 有潛力顯著提升 HAI 監測的效率，並能部分自動化或簡化這個過程。 PubMed DOI

將大型語言模型（LLMs）整合進抗生素處方的醫療決策中，逐漸受到重視，但面臨挑戰。首先，LLMs在臨床環境中的應用需更深入的醫療理解，因為它們的建議直接影響病患健康。其次，專業知識悖論顯示醫療人員可能過度依賴AI，影響臨床判斷。因此，AI應該輔助而非取代人類決策。最後，LLMs的錯誤風險需謹慎對待，必須建立健全的驗證流程，確保其作為輔助工具的角色。 PubMed DOI

COVID-19疫情促進了公共衛生監測和疫情管理的AI工具發展。雖然這些AI程式展現潛力，但也引發了數據隱私、偏見和人機互動的擔憂。世界衛生組織（WHO）最近的會議專注於AI在公共衛生中的角色，邀請多個機構分享見解。AI在診斷和數據處理上改善了臨床護理，但倫理考量如數據使用和算法偏見也很重要。公共衛生官員需建立透明、負責和公平的治理框架，並解決全球數據獲取的不平等問題，以確保公平醫療結果。 PubMed DOI

這項研究探討人工智慧（AI）在改善傳染病臨床決策中的角色，特別是抗生素處方的指導。透過系統性文獻回顧，評估了AI技術在抗微生物管理中的有效性。結果顯示，十七項研究中，機器學習作為臨床決策支持系統（CDSS）能有效預測抗藥性並優化抗生素使用；而六項大型語言模型的研究則顯示處方錯誤率較高，需精確提示才能獲得準確回應。研究強調傳染病專家的重要性，並指出AI需經過嚴格驗證才能有效整合進臨床實踐。 PubMed DOI

AI在小兒科應用越來越多，能提升效率、協助診斷，也能簡化病歷紀錄。不過，目前AI模型的可靠性和驗證還不夠，病患隱私和法律、倫理問題也要注意。AI應當當作輔助工具，不能完全取代醫師，避免過度依賴和錯誤資訊，未來還需要更多研究和規範。 PubMed DOI

這篇研究提出COMPOSER-LLM，把大型語言模型和現有敗血症預測工具結合，能同時分析結構化數據和臨床紀錄文字。實測2,500名病人，結果顯示新系統比傳統模型更準確，敏感度高、誤報少。即使有誤判，很多病人其實也有感染，證明這方法在臨床上很有幫助。整合LLM能更有效利用電子病歷，提升敗血症早期預測。 PubMed DOI

一項涵蓋13家醫院的研究發現，GPT-4-Turbo這種大型語言模型在判斷病人是否有近期長照機構接觸史時，準確度跟人工差不多甚至更高，速度快25倍、成本省20倍，還能抓出人工審查的錯誤。這代表AI能有效從醫療紀錄中擷取重要資訊，幫助提升感染控制和醫院作業效率。 PubMed DOI

這項研究用 Llama 3.0 大型語言模型分析兩家醫院的病歷，來偵測手術部位感染。28位病人中，LLM準確率達93%，敏感度100%，特異度86%。模型多半能和醫師一樣早，甚至更早發現感染。結果顯示 LLM 有潛力協助醫療篩檢，但臨床應用前還需更多研究驗證。 PubMed DOI

大型語言模型對澳洲傳染病管理很有幫助，能處理複雜資訊，但要安全有效，需有明確的實證、法規和指引。像檢索增強生成這類AI技術，還能進一步降低風險、提升效益。 PubMed DOI