最近在腎臟科學領域的數學建模進展，主要分為機制動態系統和人工智慧/機器學習兩大類。機制模型能清楚表現變數間的因果關係，但開發過程較為複雜；相對的，人工智慧則能從大量數據中找出模式，具備強大的預測能力，但解釋上較為困難。慢性腎臟病（CKD）產生了豐富數據，透過正確的建模方法可有效利用。整合這兩種方法，可能有助於提升病患照護，改善腎臟科學的決策與結果。 PubMed DOI ♡

研究發現大型語言模型（LLMs）在神經學委員會風格考試中，LLM 2比LLM 1表現更好，接近及格分數，有些類別甚至超越人類。兩者在較簡單問題上表現較佳，但在較難問題上表現較差。LLM 2在臨床神經學應用有潛力，顯示在醫療保健領域LLM有發展空間，未來有望更加突顯其價值。 PubMed DOI ♡

在醫療領域，使用大型語言模型（LLMs）是重要進步，有助於改善病患護理、研究和教育。雖然LLMs有不完美之處，但透過提示工程和檢索增強生成（RAG）等策略，可以提高準確性和相關性。尤其在臨床決策等需要全面資訊的任務中，RAG是相當有幫助的。一個以KDIGO 2023慢性腎臟病指南為基礎的ChatGPT模型整合了RAG，展現了提供準確醫療建議的潛力。 PubMed DOI ♡

在腎臟科專科醫師訓練計畫中，評估非常重要，主要分為形成性評估和總結性評估。形成性評估提供即時反饋，幫助學習，而總結性評估則根據標準評估醫師是否能獨立執業。為了減少評估疲勞，需選擇適合的里程碑，並引入護理人員、醫學生等多元評估者，這樣能提供更全面的結果並分擔工作量。此外，呈現評估數據時要有助於設定目標，隨著課程設計的變化，評估系統也需調整，以確保訓練的有效性。 PubMed DOI ♡

臨床診斷錯誤常見於腎臟學住院醫師等醫學學習者，已研發評估工具，著重問題辨識、鑑別診斷和治療計畫。結果設定培訓閾值，多數一年級住院醫師在某領域需接受培訓。研究強調評估與教授臨床推理技能對腎臟學住院醫師的重要性。 PubMed DOI ♡

研究評估了ChatGPT回答腎臟學考題的能力，發現使用GPT-4時準確率提升至74%，但仍未達及格標準。答案一致性率為78%，正確答案比率高。在不同子領域表現不同，有些準確率較低。ChatGPT在回答腎臟學問題時有準確性和一致性限制。 PubMed DOI ♡

一項研究評估了大型語言模型（LLMs）在回答醫學腫瘤學考試問題時的準確性和安全性。最佳的LLM以高準確度回答問題，但錯誤引起了安全疑慮，這表明有必要開發和評估LLMs，以改善臨床醫學腫瘤學等高風險臨床環境中醫護人員的經驗和病人護理。 PubMed DOI ♡

這篇評論討論了使用大型語言模型（LLMs）製作醫學多重選擇題考試的議題。研究指出LLMs在產生問題上有效，但需注意部分問題不適合醫學考試，需修改。未來研究應解決這些限制，LLMs可作為撰寫醫學多重選擇題的工具，但應謹慎使用。 PubMed DOI ♡

腎臟病理教育對腎臟科研究生和執業醫師非常重要，因為它在考試和臨床中扮演關鍵角色。儘管如此，超過三分之一的研究所主任認為訓練仍不足。COVID-19疫情促進了數位學習的發展，腎臟科在免費線上醫學教育方面走在前面。這篇綜述介紹了多種資源來強化腎臟病理訓練，包括醫學部落格、期刊讀書會、互動測驗、線上會議、播客和指導機會，這些資源為各級學習者提供了持久的學習內容。 PubMed DOI ♡

這篇文章解釋了腎臟科醫師如何運用超音波檢查來改善各種腎臟疾病患者的護理。超音波檢查可以幫助診斷和管理腎臟疾病，評估囊腫性疾病、尿液阻塞等情況。它也對透析通路和移植後評估很有幫助。學習超音波檢查可以增進腎臟科的實踐，而且通過培訓相對容易掌握。 PubMed DOI ♡

研究發現在醫學教育中使用大型語言模型（LLMs）回答多重選擇問題，Bing Chat效果最好，甚至超越人類。Llama 2表現較差，Google Bard和ChatGPT-3.5則接近人類水準。建議免費提供的LLMs在醫學考試中有潛力，特別是Bing Chat。研究也提到透過訓練可提升LLMs在醫學領域的應用。總結來說，這研究對LLMs在醫學教育和評估中的應用提供了有價值的見解。 PubMed DOI ♡

使用Llama 2和GPT-4創建放射學教育的多重選擇題，供放射科醫師評估。GPT-4在清晰度、相關性、難度、干擾項質量和答案準確性方面表現優異。這些先進的語言模型有助於提升放射學考試準備資料，擴大問題庫。 PubMed DOI ♡

這項研究探討了使用開源、輕量級的生成大型語言模型（LLMs）來從腎臟病理報告中提取臨床資訊，特別針對狼瘡性腎炎。研究開發了一個標註架構並生成黃金標準數據集，評估了三個輕量級LLM的表現。結果顯示，Mistral和BioMistral的表現優於Llama 2，Mistral在腎小球亞型的F1分數達到0.996，免疫標記值的F1分數為0.898。這些結果顯示輕量級LLM在臨床資訊提取中的潛力，提供了資源密集型模型的可行替代方案。 PubMed DOI ♡

研究比較了三款大型語言模型在回答不同難度泌尿學問題的表現。結果顯示，ChatGPT-4和Bing AI比ChatGPT-3.5表現好，但隨著問題難度增加，正確率逐漸下降。未來需改進語言模型處理專業問題的能力，尤其在教育領域的可靠性。 PubMed DOI ♡

研究探討MLR與CKD患者預後的關係，發現高MLR與CKD患者死亡風險增加相關。MLR也與血糖、脂質、腎功能相關，預測死亡風險效力高。研究建議MLR或許是預測CKD患者死亡風險的簡單有效指標。 PubMed DOI ♡

醫學研究生的醫學教育很重要，以案例為基礎的學習在腎臟病學中很受歡迎，有助於提升決策能力。一項2022年在台灣進行的研究發現，醫師和護士在慢性腎臟病護理中的學習自我效能與動機和表現有密切關係。使用專業醫學學習自我效能問卷，發現腎臟病學的專業自我效能與各種學習自我效能維度相關，而醫師和護士在影響專業表現的自我效能維度上有所不同。 PubMed DOI ♡

這項研究評估肺部超音波（LUS）結果與身體檢查在慢性腎病（CKD）患者中的相關性，共有175名參與者。研究發現不同的LUS協議（16區、12區、8區）之間有強正相關性。雖然血壓與LUS分數無關，但LUS與肺部啰音、胸腔積液及周邊水腫等身體檢查結果有顯著相關。超濾量與透析前後LUS分數變化則無顯著關聯。這些結果顯示，簡化的LUS協議對評估CKD患者的水合狀態可能有幫助。 PubMed DOI ♡