通过四个案例研究展示了大型语言模型在医疗保健中的应用，包括分析 Reddit 上的心理健康讨论、为老年人进行认知参与开发个性化聊天机器人、总结医疗对话数据集和设计 AI 助力病患参与系统。同时讨论了在医疗保健环境中引入大型语言模型的道德考虑、最佳实践和指南。

Jun, 2024

数字卫生工具与大型语言模型（LLMs）结合可在临床环境中提供新颖的接口，增强数字医疗工具的实用性和实际影响，解决了使用 LLMs 时出现的问题，如幻觉，从而提高心血管疾病和糖尿病风险预测的效果。

Oct, 2023

通过综述大型语言模型在医学领域中的应用和意义，揭示了它们在知识检索、研究支持、临床工作流自动化和诊断辅助等方面的效用，并探索了多模态语言模型以及自动化代理在医疗保健中的发展潜力。然而，为了有效地将这些模型整合到临床实践中，需要不断优化和进行伦理监管。

Nov, 2023

大型语言模型在医疗领域的利用引发了劲头和担忧，本文概述了目前开发的大型语言模型在医疗保健方面的能力，并阐明它们的发展过程，旨在提供从传统预训练语言模型（PLMs）到大型语言模型（LLMs）的发展路线图的概览。总的来说，我们认为正在进行一次重大的范式转变，从 PLMs 过渡到 LLMs，这包括从辨别式人工智能方法向生成式人工智能方法的转变，以及从以模型为中心的方法论向以数据为中心的方法论的转变。

Oct, 2023

通过结合大型语言模型和现实临床场景，CureFun 提供了一种虚拟模拟患者教育框架，可以促进学生和模拟患者之间的自然对话，评估他们的对话并提供建议，以提升学生的临床查询技能。此外，借助 CureFun 的评估能力，我们还对几种医学大型语言模型进行了评估，并从诊断能力的角度讨论了使用大型语言模型作为虚拟医生的可能性和局限性。

Apr, 2024

通过分析 1252 个通话记录和对九名用户进行访谈，我们研究了具有长期记忆功能的大型语言模型驱动的语音聊天机器人 CareCall。我们发现长期记忆提高了健康信息披露并通过提供熟悉感改善了用户对聊天机器人的看法。然而，我们也观察到长期记忆对于促进自我披露存在挑战，特别是在涉及慢性疾病和隐私问题时。针对公共卫生监测，我们讨论了在大型语言模型驱动的聊天机器人中整合长期记忆的注意事项，包括在公共卫生目标下谨慎决定需要记住的主题。

Feb, 2024

通过研究使用大型语言模型（LLM）来增强医疗数据互操作性的能力，我们发现 LLM 可以将临床文本转化为相应的 FHIR 资源。通过对 3,671 段临床文本进行实验，我们证明 LLM 不仅简化了多步骤的自然语言处理和人工校准过程，而且在与人类标注相比较时，在准确匹配方面达到了超过 90% 的异常准确率。

Sep, 2023

基于大语言模型，提出了通过交流学习（LTC）的训练方法，使得代理人能够不断地通过与环境和其他代理的互动进行改进，通过三种结构化通信模式进行特定任务的学习，并在不同领域展现了 LTC 方法的多样性和效率。

Oct, 2023

近年来，大型语言模型（LLM）在数字精神健康工具设计、开发和实施领域展示了潜在的机遇和风险，我们提出了四个应用领域，包括对需要关怀的个体的求助行为、社区关怀提供、机构和医疗关怀提供，以及更大规模的社会关怀生态系统，并思考了 LLM 技术如何提升心理健康。本文的发现有助于未来研究、倡导和监管工作，以创建更负责任、用户友好、公平和安全的基于 LLM 的精神健康治疗和干预工具。

Nov, 2023

通过对来自不同国家背景的 21 位个体进行访谈，我们调查了使用 LLM 聊天机器人进行心理健康支持的人们的亲身经历，并对用户如何为他们的聊天机器人创造独特的支持角色、填补日常护理的空白以及在寻求聊天机器人支持时如何应对相关的文化限制进行了分析。我们将分析基于心理治疗文献中有效支持的概念，并介绍了治疗性对齐的概念，即将人工智能与心理健康背景下的治疗价值对齐。我们的研究为设计师如何以道德且有效的方式应对 LLM 聊天机器人和其他人工智能心理健康支持工具在心理健康护理中的使用提供了建议。

Jan, 2024