醫療數位轉型正快速發展，提升了服務品質和健康資訊的可及性，並減輕了醫療提供者的負擔。數據和人工智慧（AI）在此過程中扮演關鍵角色，特別是醫療AI，正從特定任務擴展為更通用的應用。大型語言模型被用來整理醫學知識，並重塑醫學科學。新方法「AI for Medical Science」透過預測模型來預測疾病，專注於「狀態」而非僅是症狀，能提高診斷準確性，推進P4醫學的發展。 PubMed DOI

這項研究比較了功能性癲癇發作可能性評分（FSLS）與兩個大型語言模型（ChatGPT和GPT-4）在區分功能性癲癇發作和癲癇發作的診斷表現。使用114個病患案例，FSLS的準確率為74%，而GPT-4的準確率達85%。研究發現，LLMs的預測結果在不同時間不一致，且自我評估的確定性與變異性中等相關。雖然GPT-4和FSLS能有效識別FS病患，但預測結果的差異及不一致性引發了對其臨床可靠性的擔憂，顯示出機器學習和人工智慧在診斷中的潛力與限制。 PubMed DOI

這項研究評估了機器學習演算法在識別適合癲癇手術評估病人方面的有效性，並檢視大型語言模型（LLM）在提取相關資訊的表現。研究在一所三級醫院進行，分析了310名癲癇病人的資料。使用隨機森林模型排名後，前5%的病人中有53.3%符合手術評估標準，且有20%在一個月內被轉診。LLM在提取關鍵資訊的準確率介於80%到100%之間，但仍有錯誤，顯示人工智慧在此領域的潛力與挑戰。 PubMed DOI

人工智慧（AI）正在徹底改變精神醫學，透過數據分析提升診斷準確性和個性化治療。近期的進展包括腦電圖（EEG）和心電圖（ECG）數據分析、語音分析、自然語言處理（NLP）、血液生物標記整合及社交媒體數據應用等。EEG模型改善了對抑鬱症和精神分裂症的檢測，ECG則揭示情緒調節問題。儘管AI在精神醫療中展現潛力，但數據變異性、可解釋性和倫理問題仍是挑戰，未來需專注於創建可解釋的AI模型並遵循法規。 PubMed DOI

這項研究探討了人工智慧，特別是大型語言模型（LLMs），在模擬隨機臨床試驗中對癲癇藥物cenobamate的應用。試驗包含240名患者，分為安慰劑組和全劑量藥物組。AI能準確分析臨床筆記，評估藥物的療效與安全性，結果顯示AI分析與人類分析相近，僅在療效識別上有小差異。這顯示AI在未來臨床研究中具備高效且可擴展的潛力，能減少對傳統數據挖掘方法的需求。 PubMed DOI

人工智慧（AI）在心血管醫學中的重要性越來越明顯，促使醫生和研究人員探索其實際應用。AI能透過識別疾病變異、整合多種數據及改善治療方法來提升心血管護理。這篇綜述強調了AI在心臟電生理學、影像學等領域的創新應用，並指出機器學習在預測心血管風險中的重要性。儘管AI潛力巨大，但仍需解決技術和倫理問題，以確保其在臨床上的安全有效運用。制定高品質標準並與相關方合作，對於成功轉型心血管護理至關重要。 PubMed DOI

這篇研究用預訓練的Vision Transformers和大型語言模型來預測腦電圖中的癲癇發作，並解決資料標註和數據變異問題。結果顯示，LLMs在病人獨立預測上表現最好，靈敏度達79.02%。這方法有助提升預測準確度，改善癲癇患者生活品質。程式碼已公開於GitHub。 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

大型語言模型的AI（像環境智慧）已用在神經科學領域，能自動化臨床紀錄，減輕醫師負擔、提升照護品質。但也有錯誤、偏見等風險，還可能讓醫護產生新型職業倦怠，特別是在癲癇照護這種需精確紀錄的領域。要安全有效運用，還是需要人類監督、持續研究、法規和多方合作。 PubMed DOI

這篇綜述介紹先進AI技術（如機器學習、深度學習、大型語言模型）如何應用在傳統醫學，提升診斷準確度、藥物研發效率及病患照護。作者希望促進AI與傳統醫學的合作，推動醫療創新，帶來更好的健康成果。 PubMed DOI