生成式人工智慧（AI）及大型語言模型（LLMs）在健康技術評估（HTA）中的應用越來越受到重視，主要可用於系統性文獻回顧、實證數據分析及健康經濟模型。AI能自動化文獻回顧過程，提高效率；在實證數據方面，能分析大量資料，提供臨床決策的洞見；在健康經濟模型中，則可支持模型的整體發展。然而，這些應用仍面臨科學嚴謹性、可靠性及數據隱私等挑戰，需謹慎整合並持續評估其效益與風險。 PubMed DOI

這項研究評估大型語言模型（LLMs）在生成臨床試驗計畫書的有效性。研究人員使用LLM生成不同疾病和試驗階段的計畫書，並根據臨床思維、透明度、醫學術語和內容相關性四個標準進行評估。結果顯示，LLM在內容相關性和術語方面表現良好，但在臨床思維和透明度上則較差。為提升表現，研究人員採用檢索增強生成（RAG）方法，顯著改善了內容質量，提升了臨床思維和透明度的分數。這表明RAG方法能有效提升LLM在臨床試驗文件撰寫的可用性，並可能改變藥物開發過程。 PubMed DOI

大型語言模型（LLMs），像是ChatGPT，已經徹底改變了學術界的科學寫作與研究，提供了全方位的支援。生成式人工智慧（GAI）工具在假設形成、方法設計、數據分析到手稿準備等各階段都有所改善。這篇評論專注於LLMs在血液學研究中的應用，特別提到提示工程和檢索增強生成（RAG）框架等技術。這些技術能幫助研究人員創造更準確的內容，並降低錯誤資訊的風險。儘管GAI工具提升了研究質量，但也強調了科學誠信、倫理考量及隱私保護的重要性。 PubMed DOI

大型語言模型（LLMs）能理解和產生自然語言，正改變醫療、教育、金融等產業，提升效率和準確度。不過，LLMs也有倫理、偏見和高運算成本等問題。本文分析其發展、應用和限制，並探討未來趨勢。 PubMed DOI

生成式AI（像ChatGPT）能大幅提升健康經濟與療效研究（HEOR）效率，協助自動化文獻回顧、資料擷取和報告撰寫。健康經濟學家應學習相關工具和技術，但要注意資料安全、偏誤和倫理問題。導入AI時，需兼顧創新、科學嚴謹與倫理，並公開方法細節，確保風險可控。 PubMed DOI

本研究提出用大型語言模型（LLM）自動評估AI生成的電子健康紀錄（EHR）摘要，效果和專家評分高度一致，尤其是像GPT-3這類模型。這種方法省時又可靠，有助於確保醫療AI摘要的品質與安全性，適合大規模應用。 PubMed DOI

大型語言模型正加速醫療自動化，像是自動紀錄、排程和收入管理等應用越來越多。雖然有助提升效率，但在法規、偏見、系統整合和信任等問題上還有待克服，未來普及與否，關鍵在於能否妥善解決這些疑慮。 PubMed DOI

這項研究發現，像GPT-4這類大型語言模型能把放射科醫師的摘要快速轉成完整CT報告，速度比傳統方式快，品質也差不多。雖然大多數錯誤跟模板有關，重大臨床錯誤很少見，但還是建議要有人工審查，確保報告正確無誤。 PubMed DOI

這項研究比較多款大型語言模型在自動化 pharmacometrics 任務的表現，發現 Claude 3.5 Sonnet 在產生模型圖、參數表和報告上最準確且易用。ChatGPT 4o 雖能模擬，但遇到複雜模型會卡關。整體來說，LLMs 有助於簡化工作流程，但還是需要專家把關結果。 PubMed DOI

這項研究發現，客製化的ChatGPT模型在從成本效益分析論文擷取資料時，整體準確度跟現有資料庫差不多，有些變項甚至更好。不過，遇到複雜資訊（像效用值）時，表現就比較差。總結來說，AI可以幫忙自動化資料擷取，但複雜內容還是需要專家審核。 PubMed DOI