可穿戴技術的發展帶來大量感測器數據，促進健康監測和個人化醫療，但也面臨數據複雜性和分析挑戰。近期，大型語言模型（如GPT-4和Llama）成為分析這些數據的新工具。本研究探討了利用這些模型進行人類活動識別的趨勢與挑戰，並分析了數據質量、計算需求、可解釋性及隱私等問題。透過案例研究，顯示LLMs在數據分析中的潛力，並建議未來研究應聚焦於預處理技術和跨學科合作。 PubMed DOI

這項研究探討大型語言模型（LLMs）在健康心理學中如何增強健康評估，旨在克服傳統統計和機器學習方法的限制。傳統方法因線性評分而準確性不足，而機器學習則在可解釋性和數據需求上有挑戰。研究提出的ScaleLLM利用LLMs的自然語言理解能力，提供健康量表的專家評估。實驗結果顯示，ScaleLLM在身心健康評估的準確性和可解釋性上都有所提升，成為該領域的一個有前景的工具。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）為高中生提供個性化建議，以提升他們的福祉和學業表現。研究分析了12名學生的數據，包括Fitbit指標和學校表現，並針對每位學生生成建議。結果顯示，雖然建議通常清晰可行，但與學生個別數據的對應程度有所不同，顯示出改進空間。研究強調了LLMs在個性化支持的潛力，但也需進一步驗證和完善，未來應聚焦於介入研究及解決倫理和數據隱私問題。 PubMed DOI

這份報告探討了將大型語言模型（LLMs）與可穿戴技術結合的初步成果，目的是提供個性化建議，提升學生的福祉與學業表現。我們分析了學生的數據，包括可穿戴設備的指標和學術報告的質性反饋，進行情感分析以評估情緒狀態。研究顯示，LLMs能有效分析文本數據，提供實用見解，幫助了解學生的參與度並找出改進空間，顯示出LLMs在教育上的潛力，能更深入理解學生需求。 PubMed DOI

這項研究探討心血管韌性對運動員健康和表現的影響，並利用自然語言處理（NLP）和大型語言模型（LLMs）進行生物醫學診斷。研究針對心電圖和臨床記錄等數據集的挑戰，提出了一個混合機器學習框架，結合狼群搜索演算法和RoBERTa模型，提升心血管疾病預測準確性。該系統達到92.5%的準確率，顯示NLP技術在個人化醫療中的潛力，能優化心臟病患者的治療，並改善早期疾病檢測和臨床決策能力。 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

這項研究用大型語言模型（像RoBERTa和PubMedBERT）分析麻醉門診紀錄，成功辨識出病人術前的虛弱狀態，不論用哪種虛弱定義，模型表現都很準確。結果證明，LLM能有效從日常臨床紀錄中抓出像虛弱這種複雜的健康問題。 PubMed DOI

研究人員用坦尚尼亞HIV診所的資料微調大型語言模型（LLM），來預測哪些病人可能會中斷治療或不遵從醫囑。這個模型比傳統方法更準確，能找出多數高風險病人，還能給出有用的解釋。臨床醫師大多認同模型的判斷。若實際應用，有助於精準介入、提升病人留診率，推動全球HIV治療目標。 PubMed DOI

這項研究利用大型語言模型（LLMs）把電子健康紀錄（EHR）結構化資料轉成自然語言，並應用在疾病預測。LLMs分別扮演「預測者」和「評論者」兩種角色，負責預測結果和給予改進建議。結果顯示，在樣本數少的情況下，這種方法的預測表現不輸傳統監督式學習，對醫療應用很有發展潛力。 PubMed

這項研究用專家指導的模糊邏輯和提示工程，微調GPT模型，讓它能準確又簡潔地摘要連續血糖監測數據。微調後的GPT-4o準確率高達96%，顯示AI有助於糖尿病管理，能把複雜數據轉成實用資訊，減輕醫護人員負擔。 PubMed DOI