使用大型語言模型（LLMs）如ChatGPT、OPT-13B和OPT-30B可以幫助自動生成高品質的戒菸干預訊息，這些訊息模仿專家的寫作風格。研究顯示，這些由LLM生成的訊息在品質、準確性、可信度和說服力方面符合臨床標準，使它們成為增強戒菸干預的寶貴工具。 PubMed DOI

QuitBot的開發歷時四年，包括使用者為中心的設計、內容分析、角色設定、原型製作、程式設計，以及初步隨機試驗。提供為期42天的戒菸計畫，參與度高，戒菸率令人鼓舞。新增11,000個問答對的資料庫，轉移到獨立應用程式。使用LLMs和GPT3.5增強回應能力，成為首個以大型語言模型為基礎的戒菸計畫。 PubMed DOI

這項研究探討了使用GPT-3.5語言模型，從MIMIC-III數據集中提取有關煙草、酒精和藥物使用的資訊，特別是病人出院摘要。研究強調了解行為因素對改善健康結果的重要性。雖然傳統自然語言處理方法面臨挑戰，但大型語言模型顯示出潛力。研究採用零樣本和少樣本學習技術，結果顯示零樣本學習在提取藥物使用提及方面有效，而少樣本學習則在評估使用狀態上表現更佳，雖然精確度有所下降。這強調了AI在電子健康紀錄中的應用潛力，有助於提升病人護理的個性化與有效性。 PubMed DOI

這項研究探討利用自然語言處理（NLP）來自動化ICD-10-CM編碼系統，以提升基於自由文本的出院摘要編碼效率與準確性。研究以高雄醫學大學中和紀念醫院的病人出院摘要為數據集，開發了基於GPT-2模型的AI輔助編碼系統，並整合進專家工作流程中。結果顯示，該系統在編碼準確性上表現良好，F1分數達0.667，且與專家之間的協議程度也相對較高，顯示出其在提升醫療編碼效率的潛力。 PubMed DOI

每年全球因吸煙導致超過800萬人過早死亡，顯示出戒煙干預的重要性。我們開發了QuitBot，一個互動式戒煙計畫，提供個性化的支持和建議，幫助用戶戒煙。與傳統的簡訊計畫不同，QuitBot能進行互動對話，讓用戶獲得量身定制的指導。我們進行了一項隨機臨床試驗，包含1,520名參與者，旨在評估QuitBot的戒煙效果及其影響因素。該試驗已在ClinicalTrials.gov註冊。 PubMed DOI

煙草公司越來越依賴社交媒體來繞過行銷限制，影響吸煙行為。為了解決這個問題，研究人員開發了一個AI系統，自動識別社交媒體上的煙草促銷內容。他們分析了177,684條土耳其語推文，找出主要的促銷機制，如行為模仿和正面態度表達。經過標記和微調後，該系統成功達到87.8%的召回率和81.1%的精確率，能有效監控煙草促銷，為公共健康政策提供重要見解。這項研究展示了AI技術在應對煙草行銷挑戰上的潛力。 PubMed DOI

物質使用障礙（SUD）是影響個人健康與社會福祉的重要議題。診斷與治療SUD需考量多種因素，但現行的診斷系統如ICD-10常缺乏必要細節，醫師需依賴DSM-5補充資訊。傳統自然語言處理（NLP）在解讀臨床語言上有困難，但大型語言模型（LLMs）顯示出潛力。本研究探討如何利用LLMs從臨床筆記中提取SUD的嚴重程度資訊，實驗結果顯示開源LLM Flan-T5在召回率上優於傳統方法，能有效提升SUD患者的風險評估與治療規劃。 PubMed DOI

這項研究發現，只要善用提示工程技巧，即使沒特別微調，公開的大型語言模型也能協助癌症登記編碼。結合RAG系統和思路鏈推理後，肺癌個案的編碼準確率大幅提升，顯示LLMs有助於提升登記人員的效率和精確度。 PubMed DOI

這項研究發現，GPT-4自動分配醫療收費代碼的正確率偏低，僅約2到3成，無論是根據代碼描述還是實際門診紀錄。雖然GPT-4有潛力，但目前還無法精確處理醫療收費代碼的複雜細節，實務應用上還有很大進步空間。 PubMed DOI

這篇研究用標註過的出院摘要，建立大規模資料集，並用多種大型語言模型來偵測八種物質使用情形。經過微調的 Llama-DrugDetector-70B 模型，對大多數物質的偵測準確率很高（F1 分數 ≥ 0.95），但像鴉片類藥物和多重物質使用的偵測還有進步空間。整體來說，LLM 有助提升臨床紀錄中物質使用的辨識，但還需要更多研究才能廣泛應用。 PubMed DOI