评估 ChatGPT 在门诊指导中提供的回复一致性，包括版本内回复分析和版本间比较，结果表明 ChatGPT-4.0 的内部回复一致性显著高于 ChatGPT-3.5，并且两者的最佳推荐都具有中等一致性。然而，版本间的一致性相对较低，指示两个版本之间几乎没有匹配的推荐。此外，只有 50％的最佳推荐在比较中完全匹配。ChatGPT-3.5 的回复更可能是完整的，相较于 ChatGPT-4.0，这表明两个版本之间存在信息处理和回复生成的可能差异。这些发现提供了关于 AI 辅助门诊运作的见解，同时也促进了对 LLM 在医疗利用中的潜力和限制的探索。未来的研究可能会根据人体工程学和人因原则，精确地根据有效门诊分诊的特定需求，谨慎优化 LLM 和 AI 在医疗系统中的整合。

Apr, 2024

本研究评估了使用 ChatGPT 回答医学问题的可靠性，结果发现 ChatGPT 的答案更加上下文相关，代表着较好的演绎推理模型。ChatGPT 等语言学习模型可以成为 e-learners 的宝贵工具，但研究表明还有提高其准确性的空间。

Jun, 2023

电子病历、ChatGPT、多学科团队报告、医学语言和大型语言模型是本研究的关键词。研究发现，大型语言模型能帮助解释复杂的医学报告给患者，但存在信息不准确、语言不当、个性化有限、人工智能不信任以及将大型语言模型融入临床工作流程的挑战等问题需要解决。

Jun, 2024

该研究提出了一种创新的方法，在临床决策中应用大型语言模型（LLMs），重点关注 OpenAI 的 ChatGPT。我们的方法介绍了在数据稀缺情况下，采用上下文提示（策略性地设计了包括任务描述、特征描述和领域知识整合的提示）进行高质量二元分类任务的应用。我们的研究探索了 LLMs 基于零样本和少样本提示学习的动态性，通过比较 OpenAI 的 ChatGPT 在不同数据条件下与传统监督式机器学习模型的性能，旨在提供对不同数据可用性下提示工程策略有效性的见解。这篇论文架起了人工智能和医疗保健之间的桥梁，提出了一种新的 LLMs 在临床决策辅助系统中的应用方法，并强调了提示设计、领域知识整合和灵活学习方法在增强自动化决策方面的变革潜力。

Aug, 2023

在使用真实的大型电子病历数据库进行两项分析后，发现 ChatGPT 和 GPT-4 可以通过思路链和几次提示，准确地完成疾病分类任务，并为卫生保健工作者提供诊断辅助，但是这些模型目前存在错误陈述、忽视重要医学发现、推荐不必要的调查和过度治疗等问题，并伴随有隐私问题，因此仍不适用于现实世界的临床使用。不过，与传统机器学习工作流程的配置相比，这些模型所需的数据和时间较少，突出了它们在卫生保健应用中的可扩展性潜力。

Jul, 2023

研究了大型语言模型在生物医学任务中的性能，并与更简单的模型进行了比较，特别地，探讨了分类和因果关系检测任务。发现精细调整后的模型依然是最佳策略，而简单的词袋模型的表现与最复杂的大型语言模型的表现相当。

Apr, 2023

该研究评估了在阿拉伯语中使用经过微调的 ChatGPT 模型作为个人医疗助手的潜力，并通过自动评估和人工评估证明它在医疗援助方面具有光明前景。

Dec, 2023

人工智能和大型语言模型（LLMs）对医学诊断的影响及其潜在未来研究方向和挑战，尤其是在牙科领域。这篇论文还探讨了 AI 在转变牙科诊断以提高患者护理方面的广泛影响和挑战，并提供了有价值的见解。

Jun, 2024

本研究探讨了大型语言模型，如 OpenAI ChatGPT 在医学成像方面的变革潜力。通过公共数据辅助，这些模型增强了放射科医生的解释技能，提高患者与医生之间的沟通，并简化了临床工作流程。本文提出了一个分析框架，解释了 LLMs 与医学成像利益相关者（包括企业、保险机构、政府、研究机构和医院）之间的复杂相互作用，通过详细分析、实例应用和探讨其广泛影响及未来方向，旨在引发就 AI 助力医疗保健的战略规划和决策的讨论。

Jun, 2023

采用半结构化数据与大型语言模型（LLMs）相结合，本研究引入了一种医学教育变革框架，以自动化生成医学模拟场景。该创新显著缩短了场景开发所需的时间和资源，实现了更广泛的模拟类型，提高了参与度和知识获取，突显了人工智能在推动教育成果和患者护理标准方面的关键作用。

Apr, 2024