本研究旨在评估大型语言模型（LLMs）在医疗保健中的功效，特别关注它们在个人异常健康监测中的应用。我们的研究主要调查了 LLMs 在解释和分析来自 FDA 批准设备获取的生理数据方面的能力。我们在模拟低气压平台环境中进行了广泛的分析，评估了 LLMs 在理解和评估用户健康状况方面的精确性和可靠性。研究结果表明，LLMs 在确定医学指标方面表现出色，心率平均绝对误差小于 1 次 / 分，氧饱和度小于 1%，而这些评估的平均绝对百分比误差保持在 1% 以下，总体健康评估的准确率超过 85%。在诸如解释光电容积描记法（PPG）数据等图像分析任务中，我们专门适应的 GPT 模型表现出卓越的能力，心率周期计数误差小于 1 次 / 分，心率估算的平均绝对误差为 7.28。本研究凸显了 LLMs 作为健康数据分析工具和先进人工智能健康助手中的关键要素的双重角色，在未来的健康助手框架内提供个性化健康见解和建议。

Nov, 2023

本研究探讨了视觉语言模型在医学图像分析任务中的零样本和少样本鲁棒性，通过全面的实验验证了视觉语言模型在分析生物医学图像方面的有效性。

Feb, 2024

该研究展示大型语言模型能够通过只有少量的微调，在医疗和健康领域中处理不易表达为文本的各种生理和行为时间序列数据，并对心脏信号分析、身体活动识别、代谢计算和压力报告估计等健康任务进行有意义的推理。

May, 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

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

个人健康大型语言模型（PH-LLM）从时间序列个人健康数据中细化和调整，以理解和推理个人健康数据，并进行个性化的见解和推荐，同时使用多模式编码来预测自报告的睡眠质量结果。

Jun, 2024

该研究探讨了大规模语言模型在多模态健康预测中的应用，通过上下文信息和生理数据进行综合评估，并展示了 fine-tuned 模型在健康预测任务中的表现和对上下文增强策略的有效性。

Jan, 2024

文章系统阐述了大规模基础模型（LSF-Models）的关键组成部分和最新发展，回答了如何构建适用于 PHM 任务的 LSF-Model 以及这一研究范式的挑战和未来发展路线图。

May, 2023

给定研究论文，通过高级数据增强方法解决社交媒体数据不平衡问题，并借助 BERT 模型指导 LLMs，提出了一种用于公共卫生的社交媒体分析的新型 ALEX 框架，在 Social Media Mining for Health 2023 (SMM4H) 竞赛中表现优越。

Sep, 2023

大型语言模型在医疗保健领域的部署引发了热情和忧虑，本综述论文探讨了针对医疗保健应用设计的现有大型语言模型的功能，从传统的预训练语言模型到目前的医疗保健领域的大型语言模型发展轨迹，特别关注临床语言理解任务的潜力以及性能评估、挑战和限制。

Dec, 2023