心血管疾病是主要的死亡和殘疾原因，因此早期檢測和治療非常重要。本研究提出了一個自動化的智能推薦系統，利用可解釋的人工智慧（XAI）來預測心臟病發作和風險評估。系統使用CatBoost分類器進行風險分類，並透過SHAP算法提供透明解釋，還整合了BioMistral大型語言模型，讓使用者能互動詢問心臟健康問題。該系統的預測表現優異，平均AUC達0.88，並提供線上應用程式，協助使用者管理心臟健康，降低風險並促進及時醫療介入。 PubMed DOI

本研究探討了ChatGPT和Google Gemini兩個人工智慧工具在創建有關肥胖、高血壓和高三酸甘油脂血症的患者教育指南的有效性。結果顯示，ChatGPT生成的內容較長，但在可讀性和可靠性上與Google Gemini相似。雖然Google Gemini的易讀性得分稍高，但差異不顯著。總體而言，這兩個工具都能有效滿足患者的教育需求，適應不同的內容長度和複雜度。 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

這項研究探討大型語言模型（LLMs）在疾病風險評估中的應用，特別是對COVID-19嚴重程度的預測。與傳統機器學習方法不同，LLMs透過對話式人工智慧實現即時、無需編碼的風險評估。研究比較了LLaMA2-7b和Flan-T5-xl等預訓練模型與傳統分類器的表現，發現LLMs在低數據環境中表現優異，能有效處理非結構化輸入，並提供個性化見解，顯示其在臨床環境中的潛力。 PubMed DOI

慢性病是全球主要死因，LLMs（像ChatGPT）在管理慢性病上有潛力，能提供準確、易懂的健康建議，幫助病人自我管理和獲得支持。專業型LLMs表現更好，但目前證據有限，還有隱私、語言和診斷等挑戰。臨床應用還在初期，未來需加強資料安全、專業化和與穿戴裝置整合。 PubMed DOI

這項研究開發了一個結合可解釋式AI的行動診斷平台，利用隨機森林判斷發燒疾病，並用LIME和GPT-3.5產生淺顯說明。系統對瘧疾診斷效果佳，泌尿道和呼吸道感染表現普通，傷寒和HIV/AIDS則較差。整合LIME和GPT-3.5後，能清楚標示關鍵症狀，提升透明度和信任度，但部分疾病診斷仍需加強。 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

這項研究提出一套結合Google Gemini和特徵導向提示的可解釋AI架構，能自動從高精度眼動追蹤數據中偵測兒童弱視。方法透明、可信度高，分類準確，特別適合資源有限地區用於弱視篩檢，有助於臨床決策支援工具的發展。 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

生成式AI和大型語言模型越來越多人用來查醫療資訊，雖然有助提升健康知識，但也可能出現錯誤、過度簡化或隱私等問題。現有研究多著重正確性，較少納入病人實際經驗。未來應加強透明度、監督，並讓醫療人員和使用者參與回饋，同時加強大眾教育。 PubMed DOI