這項研究評估了大型語言模型（LLMs）在急性缺血性中風（AIS）患者的手術記錄中提取數據的有效性。分析了382份手術記錄，重點在30份，以指導LLMs提取關鍵特徵。六種LLMs的表現良好，平均準確率達95.09%，整體準確率為78.05%。GLM4和GPT-4在進階特徵提取上表現突出，準確率分別為84.03%和82.20%。LLMs的數據處理速度也顯著快於醫師，顯示出在AIS治療中改善臨床數據管理的潛力。 PubMed DOI

惡性腦水腫會導致腦部腫脹，壓迫中線結構，通常在中風後的第一週內發生。早期介入如高滲透療法或外科減壓能減輕損傷，但需謹慎進行。為了有效評估水腫進展，我們開發了動態機器學習模型HELMET，能實時預測中線位移的嚴重程度。HELMET包含HELMET-8和HELMET-24兩個模型，分別預測8小時和24小時內的變化，並在多個病人數據上驗證，準確率高達96.6%。這項研究提供了一個新框架，能即時估算臨床目標，對於有限的結構化數據也能有效運用。 PubMed DOI

這項研究評估了AtlasGPT和ChatGPT 4.0在預測動脈瘤性蛛網膜下腔出血（aSAH）患者的準確性，並與傳統臨床評估量表比較。研究包含82名患者，結果顯示住院死亡率為22%，34.1%需進行減壓性半顱切除手術。出院時28%患者有良好結果，六個月後提升至46.9%。AtlasGPT在預測手術需求方面表現最佳（AUC 0.80），而WFNS量表在長期功能預測上最為準確（AUC 0.76）。研究建議結合AI模型與傳統量表可提升預測準確性。 PubMed DOI

這項研究探討了大型語言模型（LLMs）在急性缺血性中風（AIS）病例中的應用，特別是機械性血栓切除術（MT）的適應性。研究分析了100名AIS患者的數據，LLM根據放射學報告、神經症狀、發病資訊和患者年齡進行判斷。結果顯示，該AI模型的整體準確率達88%，特異性96%，敏感性80%，曲線下面積為0.92，顯示出LLMs在整合醫療數據方面的潛力，並鼓勵進一步探索其在臨床的應用。 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

這篇論文提出了一個針對糖尿病患者的智能問答系統，目的是提供個人化的醫療資訊。系統結合大型語言模型與知識圖譜，克服傳統醫療系統的限制。使用Neo4j的知識圖譜，並結合Baichuan2-13B和Qwen2.5-7B模型，透過低秩適應和提示學習技術提升性能。評估結果顯示，實體識別精確度達85.91%，意圖分類達88.55%。這項研究顯示結合大型語言模型與知識圖譜的潛力，為未來個人化醫療解決方案提供了新方向。 PubMed DOI

腦血管疾病是全球第二大死亡原因，對殘疾影響深遠。本研究探討GPT-4在急診科神經科醫師處理急性缺血性中風的有效性，分析其建議與專家意見及實際治療結果的比較。研究回顧100名急性中風患者，結果顯示GPT-4的建議與專家意見高度一致，特別是在血管內血栓切除術方面表現優異。GPT-4在死亡預測上也表現良好，顯示其作為臨床決策支持工具的潛力，但也需注意其建議的侵略性，強調人類監督的重要性。未來需進一步驗證這些發現。 PubMed DOI

AI 正在加速中風治療流程，提升篩選病人的精準度，也讓更多人能及時接受進階治療。不過，目前還有資料偏誤、透明度不足和驗證有限等問題待解決。未來需加強資料共享、發展可解釋系統、完善法規並持續臨床試驗，才能確保病人獲得安全又公平的治療。 PubMed DOI

HELMET模型結合機器學習、醫師判斷和電子病歷，能即時預測中風後腦部中線偏移的風險和嚴重度。它會隨時間動態更新預測，協助醫師即時管理病人。測試顯示，HELMET準確率高達96.6%，是臨床上全新且即時的決策輔助工具。 PubMed DOI

這項研究開發了一套AI系統，能用大型語言模型自動從CT和MRI放射科報告中偵測新發急性或亞急性腦梗塞。模型在大量日文報告訓練下，對新發腦梗塞的敏感度高達0.891，整體準確率0.923，能快速分類並及早發出警示，協助臨床判斷。 PubMed DOI