阿茲海默症是個嚴重問題，目前沒有效治療。知識圖被用在生醫研究，找出AD的藥物再利用和生物標記。一研究建立了針對AD的知識圖，分析AD、基因、變異、化學物質、藥物和其他疾病的互動。透過對PubMed摘要註釋和AI文本擴增，訓練了數據挖掘模型，提取關係。建立了全面的阿茲海默症知識圖，整合其他數據庫，訓練知識圖嵌入模型，有助於改進AD研究和治療。 PubMed DOI

這項研究開發了一個基於人工智慧的異常檢測模型，幫助醫療人員識別新型疾病並防止疫情擴散。模型使用來自麻薩諸塞州一所醫院的120,714名住院病人數據，基於生成預訓練變壓器（GPT）架構，並透過經驗風險最小化進行訓練。它分析電子健康紀錄，檢測不尋常的病人特徵，並在COVID-19疫情初期成功預測住院情況，達到92.2%的準確率。該模型在異常檢測和死亡預測上表現優異，顯示出在現代醫療中的潛力。 PubMed DOI

這項研究探討了OpenAI的ChatGPT如何協助公共衛生工作者開發疾病傳播模型，以制定感染控制策略。透過案例研究，公共衛生工作者與ChatGPT合作，創建符合10天流行病學數據的數學模型，並進行代碼生成、精煉和除錯，估算基本繁殖數（Ro）和最終疫情規模。最終模型重現疫情曲線，Ro為4.19，最終疫情規模達98.3%。研究顯示，ChatGPT能加速模型開發，降低技術門檻，改善全球疫情應對能力，特別在資源有限的環境中。 PubMed DOI

這項研究探討如何利用生成式人工智慧（AI）來分類和結構行動健康（mHealth）自我管理計畫，特別針對纖維肌痛症。研究人員根據202名患者的意見，開發了一個線上計畫，並使用ChatGPT-4和Infranodus進行知識圖譜和文本分析，並進行3D視覺化。 結果顯示出關鍵主題，如心理健康、壓力和疼痛管理，並強調「疼痛」與睡眠和壓力的關聯。研究指出內容中的空白，特別是社交聯繫的缺乏。總體而言，生成式AI能有效組織數位治療內容，並強調患者反饋的重要性。 PubMed DOI

罕見疾病影響全球數百萬人，但因為盛行率低，研究關注有限，且缺乏特定的 ICD 代碼，讓臨床試驗中的患者識別變得困難。為了解決這個問題，我們開發了名為自動化罕見疾病挖掘（AutoRD）的系統，能自動提取醫學文本中的罕見疾病資訊。AutoRD 整合了醫學知識圖譜，並在實體和關係提取上表現優異，特別是在罕見疾病實體提取上達到 83.5% 的 F1 分數，顯示出其在醫療保健轉型中的潛力。 PubMed DOI

這項研究介紹了DR.KNOWS，一個結合知識圖譜（KGs）與大型語言模型（LLMs）的新模型，旨在提升電子健康紀錄（EHRs）的診斷推理。透過KGs的結構化知識，DR.KNOWS能更精確地檢索病人相關的醫療資訊，改善診斷預測。實驗結果顯示，DR.KNOWS在準確性上超越了多個基準模型，並獲得了人類評估者的肯定。研究也提到KG數據可能存在的偏見，並建議未來需針對這些問題進行改善。總體而言，DR.KNOWS在臨床決策支持上具有重要意義。 PubMed DOI

這項研究利用GPT-4.0整合臨床數據，開發了一個全面的敗血症知識圖譜。敗血症是一種變異性大的病症，傳統知識圖譜建構困難。研究者從中國西部三家醫院建立了多中心敗血症數據庫，收集了10,544名患者的數據。透過GPT-4.0的技術，成功生成了包含1,894個節點和2,021個關係的知識圖譜，顯示其在實體識別和關係提取上的優越性。這項成果不僅增進了對敗血症的理解，也為臨床決策提供了支持，成為未來研究的寶貴資源。 PubMed DOI

研究團隊整合生醫文獻和資料庫，建立阿茲海默症知識圖譜（ADKG），用NLP技術捕捉AD相關基因、藥物等複雜關聯。經ADKG訓練的模型能預測新關聯，並結合UK Biobank資料後，提升AD預測準確度。ADKG有助於加速治療與診斷發現，推動阿茲海默症精準醫療發展。 PubMed DOI

這項研究用NLP技術自動抓取SARS-CoV-2相關論文中的病患元資料。團隊用BERT模型訓練分類器，並比較生成式AI（Llama-3-70B）的表現。結果顯示，針對生醫或COVID-19文本預訓練的BERT模型效果最好，F1-score達0.776，明顯優於生成式AI（F1-score僅0.558）。這方法已應用於35萬多篇文章，有助於基因流行病學研究。 PubMed DOI

PandemicLLM 是新一代疫情預測框架，把疾病傳播預測當成文字推理問題來解決。它結合即時多元資料（如防疫政策、基因監測、時序數據），透過 AI 與人類協作提示提升預測準確度。實測美國各州 COVID-19 資料，表現優於現有模型，能整合複雜非數值資訊，讓疫情預測更精準。 PubMed DOI