藥物開發傳統上是一個繁瑣且耗時的過程，主要依賴專業知識和反覆試驗。不過，隨著人工智慧（AI）特別是大型語言模型和生成式AI的興起，這個領域正迎來變革。AI技術提升了藥物開發各階段的效率，包括疾病靶點識別、藥物發現、臨床前及臨床研究，甚至上市後的監測。這篇文章探討了AI在藥物開發中的最新應用，並分析了目前仍面臨的挑戰，指出未來研究的潛力。 PubMed DOI

人工智慧（AI）即將徹底改變臨床研究，特別是在胃腸科方面。透過提升研究準備和數據解讀，AI 工具能加速文獻搜尋、簡化數據收集與分析，並協助研究格式化，讓臨床研究更有效率。目前已有多種 AI 應用被開發和測試，未來也會有更多新應用出現。本文將探討 AI 在胃腸科臨床研究中的角色，特別是對藥物發現的影響，以及需要進一步指導的領域，以優化其應用和理解。 PubMed DOI

生成式人工智慧（GAI）技術，特別是大型語言模型（LLMs），在醫學領域的應用越來越普遍，尤其是在病人與臨床試驗配對方面。研究顯示，LLMs能有效匹配病人的健康紀錄與臨床試驗資格標準，並取得良好結果。雖然自動化配對有助於提升病人參與率和減輕醫療工作負擔，但也面臨挑戰，如可能帶來虛假希望、導航困難及需人類監督等問題。進一步研究對驗證LLM在腫瘤學中的安全性和有效性至關重要。 PubMed DOI

與藥物相關的傷害對全球醫療成本和病人結果影響深遠。生成式人工智慧（GenAI）和大型語言模型（LLM）在降低這些風險上展現潛力。本次回顧分析了2012年1月到2024年10月的文獻，找到3988篇文章，最終納入30篇。GenAI和LLM的應用可分為三個領域：識別藥物相互作用、提供臨床決策支持及增強藥物監測。雖然這些模型在早期識別不良藥物事件上有潛力，但尚缺乏前瞻性測試，需進一步研究其整合與實際應用。 PubMed DOI

這篇評論探討了人工智慧（AI）在臨床試驗，特別是炎症性腸病（IBD）中的潛力。AI能標準化疾病評分，提升評估準確性，並自動化繁瑣的研究任務。影像分析的進展讓AI在內視鏡檢查和組織學上能與專家相媲美，提供更快、更準確的結果。此外，AI還能更精確地量化疾病特徵。大型語言模型和生成式AI也在簡化從電子健康紀錄中提取數據的過程，改善患者預後預測。這篇評論將探討目前的AI工具及其在IBD臨床試驗中的未來機會。 PubMed DOI

人工智慧（AI）正顯著提升臨床藥理學和轉譯科學，特別是在藥物開發和病人照護上。最近的美國臨床藥理學與治療學會年會中，專家們探討了AI如何簡化藥物發現、劑量策略及結果評估等流程。大型語言模型在生物醫學研究中的應用，使數據分析更民主化，幫助研究人員更有效利用數據。此外，討論也提到可解釋的AI在預測藥物療效和安全性方面的潛力，以及整合AI所需的倫理考量。這些觀點強調了AI在加速藥物開發和滿足病人需求上的重要性。 PubMed DOI

這篇回顧整理了102篇AI在研究所醫學教育的應用，主要來自北美，聚焦放射科、外科和急診。AI被用於評量、招募和臨床決策，大家對AI的看法也越來越正面。不過，目前研究還有偏誤和異質性高等問題，未來還需要更多研究來補足不足。 PubMed DOI

這篇綜述指出，AI在醫學住院醫師甄選主要用來評估偏見、預測錄取結果，以及和人工審查比較。雖然AI有助提升效率和公平性，但也可能複製偏見、適用性有限，且透明度不足。未來還需要更多研究，才能讓AI在甄選過程中更負責任且有效地運用。 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

這篇文獻回顧指出，大型語言模型（LLMs）已被用來提升病患與臨床試驗配對的效率，尤其是OpenAI的模型。雖然LLMs能大幅提升配對準確度與規模，但目前仍面臨可靠性、可解釋性及過度依賴合成資料等問題。未來應加強模型調校、採用真實世界資料，並提升可解釋性，才能真正發揮其潛力。 PubMed DOI