流感疫苗效果（VE）的估算對公共健康非常重要，能幫助評估疫苗接種的影響並指導政策調整。不過，目前的估算方法面臨人口代表性不足、選擇偏差和報告延遲等挑戰。我們建議結合大型語言模型（LLMs）和少量示例的思考鏈（CoT）提示，分析社交媒體數據以進行即時VE估算。研究顯示，透過標註4,000多條推文，我們的提示策略在識別疫苗接種狀態和測試結果方面表現優異，為即時監測提供了有效工具，補充了現有流行病學方法。 PubMed DOI

大型語言模型（LLMs）對醫療領域的自然語言處理（NLP）影響深遠，近期的研究顯示，專為醫療文本設計的LLMs逐漸受到重視。這篇回顧分析了基於LLMs的生物醫學NLP，資料來源涵蓋多個學術平台，重點在醫學文獻、電子健康紀錄（EHRs）及社交媒體。雖然通用LLMs如GPT-4被廣泛使用，但針對特定應用的自訂LLMs趨勢上升。傳統模型在某些任務上仍優於新型LLMs，但後者在少量學習和生成任務中表現佳。未來研究需關注評估、偏見及公平性等議題。 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

這篇研究用MAMMAL AI模型，僅靠序列資料就能準確預測抗體和流感HA抗原的結合及阻斷效果。模型對已知抗體和抗原表現優異（AUROC ≥ 0.91），對新抗原也不錯（AUROC 0.9），但遇到全新抗體時準確度會下降。這顯示AI有助於抗體篩選，但還需要更多元的抗體資料來提升預測新抗體的能力。 PubMed DOI

這篇論文提出MIFlu新方法，把流感數據和文字情境結合，並用大型語言模型來預測流感。結果顯示，這種做法預測準確率比傳統方法高出26.2%，證明結合專業知識和情境資訊對疾病預測很有幫助。 PubMed DOI

這篇論文回顧AI，特別是大型語言模型在中醫診斷的應用，整理了機器學習在中醫影像、文字、波形等資料上的進展，並分析LLMs的最新應用。文中也討論AI導入中醫的機會與挑戰，期望為未來研究和智慧中醫診斷技術融入醫療體系提供參考。 PubMed DOI

研究團隊開發了BERT-infect模型，專門用來預測哪些病毒可能感染人類，準確度比以往高，特別對過去較少研究的病毒也有好表現。即使病毒基因序列不完整，模型也能運作。不過，目前還難以精確辨識像SARS-CoV-2這類特定病毒的風險，顯示機器學習在預測新興人畜共通傳染病上，還有不少挑戰要解決。 PubMed DOI

大型語言模型正改變基因體醫療，能快速分析文獻和基因資料，提升診斷與治療建議的精準度。雖然還有挑戰待克服，但隨著技術進步和跨領域合作，未來 AI 將成為臨床基因體分析的主流工具，推動個人化醫療發展。 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

這篇綜述介紹先進AI技術（如機器學習、深度學習、大型語言模型）如何應用在傳統醫學，提升診斷準確度、藥物研發效率及病患照護。作者希望促進AI與傳統醫學的合作，推動醫療創新，帶來更好的健康成果。 PubMed DOI