Emily W Paolillo 1,博士;Kaitlin B Casaletto 1,博士;Annie L Clark 1,硕士;Jack C Taylor 1,文学硕士;Hilary W Heuer 1,博士;Amy B Wise 1,理学学士;Sreya Dhanam 1,理学学士;Mark Sanderson-Cimino 1,博士;Rowan Saloner 1,博士;Joel H Kramer 1,心理学博士;John Kornak 2,博士;Walter Kremers 3,博士;Leah Forsberg 4,博士;Brian Appleby 5,医学博士;Ece Bayram 6,医学博士、博士;Andrea Bozoki 7,医学博士;Danielle Brushaber 3,理学学士;R Ryan Darby 8,医学博士;Gregory S Day 9,理学硕士、医学博士;Bradford C Dickerson 10,医学博士; Kimiko Domoto-Reilly 11 ,理学硕士,医学博士;Fanny Elahi 12,13 ,医学博士,哲学博士;Julie A Fields 14 ,哲学博士;Nupur Ghoshal 15 ,医学博士,哲学博士;Neill Graff-Radford 9 ,医学博士;Matthew GH Hall 1 ,理学硕士;Lawrence S Honig 16 ,医学博士;Edward D Huey 17 ,医学博士;Maria I Lapid 14 ,医学博士;Irene Litvan 6 ,医学博士;Ian R Mackenzie 18 ,医学博士;Joseph C Masdeu 19 ,医学博士,哲学博士;Mario F Mendez 20 ,医学博士,哲学博士;Carly Mester 3 ,文学士;Toji Miyagawa 4 ,医学博士,哲学博士;Georges Naasan 21 ,医学博士;Belen Pascual 19 ,哲学博士; Peter Pressman 22 ,医学博士;Eliana Marisa Ramos 20 ,哲学博士;Katherine P Rankin 1 ,哲学博士;Jessica Rexach 20 ,医学博士、哲学博士;Julio C Rojas 1 ,医学博士、哲学博士;Lawren VandeVrede 1 ,医学博士、哲学博士;Bonnie Wong 23 ,哲学博士;Zbigniew K Wszolek 9 ,医学博士;Bradley F Boeve 4 ,医学博士;Howard J Rosen 1 ,医学博士;Adam L Boxer 1 ,医学博士、哲学博士;Adam M Staffaroni 1 ,哲学博士;ALLFTD 联盟 24
1,三星高级卫生科学与技术研究院(SAIHST),Sungkyunkwan University,Sungkyunkwan University,Seoul Universit,Korea共和国2号护理系,Sungkyunkwan大学医学院三星医学中心,韩国南部北部北部北部急诊医学系,Sungkykkyunkwan Univelion,Severea of Nagkyunkwan sem of Medical of Medical of Medical of Medical of Seel,Seon of Medical of Medical of Medical of Medical of Semofer of Segry of Medicine for韩国5号三星医学中心的韩国5韩国医学院,大韩民国首尔6号北部医学系6,内科学院,医学院,北卡罗来纳州北部,北大韩民国7号信息医学系,阿桑医学中心和乌尔桑医学院,乌尔桑大学医学院,韩国首尔大学,大韩民国8韩国高级技术学院。
背景:人工智能越来越多地应用于许多工作流程。大型语言模型(LLM)是可公开访问的平台,可以理解,互动和产生可读的文本;他们提供相关信息的能力对于医疗保健提供者和患者也特别感兴趣。造血干细胞移植(HSCT)是一个复杂的医学领域,需要广泛的知识,背景和培训才能成功练习,对于非专业主义者的观众来说可能具有挑战性。目标:我们旨在测试3个著名LLM的适用性,即ChatGpt-3.5(OpenAI),Chatgpt-4(OpenAI)和Bard(Google AI),以指导非专业医疗保健专业人员,并建议寻求有关HSCT信息的患者。方法:我们提交了72个与LLM的开放式HSCT相关问题,并根据一致性(定义为响应的可复制性)对响应进行了评分 - 响应真实性,语言的理解性,对主题的特异性以及幻觉的存在。然后,我们通过重新提出最困难的问题并提示回应,仿佛与医疗保健专业人员或患者进行沟通,并提供可验证的信息来源,从而重新挑选了2个表现最佳的聊天机器人。的响应进行弥补,该标准定义为针对预期受众的语言适应。Chatgpt-4和Chatgpt-3.5在语言可理解方面都优于吟游诗人(64/66,97%; 53/54,98%;和52/63; 52/63,83%; P = .002)。结果:ChatGpt-4在响应一致性方面均优于Chatgpt-3.5和Bard(66/72,92%; 54/72,75%;和63/69,91%,分别为91%; P = .007; P = .007),响应真实性(响应态度)主题(60/66,91%; 43/54,80%;和27/63,43%; p <.001)。所有展示了幻觉的情节。chatgpt-3.5和chatgpt-4然后提示将其语言调整给听众并提供信息来源,并给予回答。chatgpt-3.5表现出比ChatGpt-4(分别为17/21,81%和10/22,46%)更适合非医学受众的语言的能力; p = .03);但是,两者都无法始终提供正确和最新的信息资源,报告过时的材料,错误的URL或未关注的参考文献,从而使读者无法验证其输出。
Chatgpt是一种经过验证的变压器,自2022年11月30日介绍以来引发了全球关注,并引发了讨论。但是,它在医学教育和科学研究领域引起了争议。本文研究了使用ChatGpt的潜在应用,限制和策略。ChatGpt通过其强大的自然语言生成能力为医学生提供个性化的学习支持,从而为其提供答案。此外,它在模拟临床方案,促进教学过程以及振兴医学教育方面已经显示出大量使用。尽管如此,这些进步伴随着许多挑战。在教育背景下,防止过分依赖Chatgpt和战斗学术窃至关重要。同样,在医学领域,保证Chatgpt产生的内容的及时性,准确性和可靠性至关重要。同时出现了有关信息安全的道德挑战和关注。根据这些挑战,本文提出了针对问题的目标策略。首先,必须通过意识形态教育,促进全面的能力并实施多种评估标准来减轻过度依赖Chatgpt和学术窃的风险。当代教学方法与使用Chatgpt结合使用,可以提高医学教育的整体质量。这确保生成的内容与最新的医学实践标准保持一致。为了增强生成内容的专业精神和可靠性,建议采取措施来优化ChatGpt的培训数据并提高生成过程的透明度。此外,增强价值一致性以及相关立法或实践守则的制定解决了道德问题,包括与算法歧视,医疗责任,隐私和安全的分配有关的问题。总而言之,尽管ChatGpt在医学教育方面具有巨大的潜力,但它也遇到了各种挑战。通过全面的研究和实施合适的策略,预计Chatgpt对医学教育的积极影响将得到利用,为促进学科并促进高素质医学专业人员的发展奠定了基础。
背景:在线健康社区已引起了一种新的电子服务,称为在线医疗咨询(OMC),从而使医生与患者之间的远程相互作用。要应对挑战,例如患者信息超负荷和医师访问的不均匀分布,在线健康社区应开发面向OMC的推荐人。目标:我们旨在全面研究哪种范式导致了面向OMC的建议成功。方法:从2011年1月至2023年12月。本评论包括与医疗保健相关的在线服务建议主题的所有论文。结果:搜索确定了611篇文章,其中26(4.3%)符合纳入标准。尽管对OMC建议的学术兴趣越来越大,但研究人员在针对电子服务的推荐人的定义方面仍缺乏共识。讨论强调了影响推荐成功的3个关键因素:功能,算法和指标。它提倡超越传统的电子商务推荐人,以建立一个针对电子服务的推荐人创新的理论框架,并解决有关2个侧面个性化建议的关键技术问题。我们的研究结果阐明了定制面向电子服务的个性化建议的重要性,以满足考虑其认知能力,决策观点和偏好的两面用户的明显期望。结论:本综述强调了电子服务的本质,特别是在OMC等知识和劳动密集型领域,患者由于缺乏领域知识而寻求可解释的建议,并且医生必须平衡其能量水平以避免过度劳累。为了实现这一目标,范式转移对于开发独特的属性和探索针对双方所涉及的双方量身定制的不同内容至关重要。
Chatgpt(OpenAi)是一种尖端的自然语言处理模型,对革命医学教育的巨大希望。Chatgpt凭借其在与语言相关的任务方面的出色表现,为医学生和医生提供了个性化和高效的学习经验。通过培训,它增强了临床推理和决策能力,从而改善了病例分析和诊断。该模型有助于模拟对话,智能辅导和自动化问题,从而实现医学知识的实际应用。但是,将Chatgpt纳入医学教育会引起道德和法律问题。保护患者数据并遵守数据保护法规至关重要。与学生,医师和患者的透明沟通对于确保他们对技术的目的和含义以及潜在风险和收益的理解至关重要。在个性化学习和面对面互动之间保持平衡对于避免阻碍批判性思维和沟通能力至关重要。尽管面临挑战,但Chatgpt提供了变革的机会。将其与基于问题的学习,基于团队的学习和基于案例的学习方法相结合可以进一步增强医学教育。通过适当的监管和监督,Chatgpt可以为一个全面的学习环境做出贡献,培养准备应对医疗保健挑战的熟练和知识渊博的医疗专业人员。通过强调道德考虑和以人为本的方法,Chatgpt的潜力可以在医学教育中得到充分利用,从而使学生和患者都受益。
背景:在COVID-19-19大流行期间,已经报道了医疗随访或延迟的随访,这可能导致糖尿病患者的临床结局恶化。日本政府授予医疗机构在COVID-19大流行期间使用电话咨询和其他远程通信模式的特殊许可。目的:我们旨在评估在19 Covid-19-19大流行之前和期间2型糖尿病患者的门诊咨询,血糖控制和肾功能的变化。方法:这是一项在日本东京进行的回顾性单核研究研究,分析了3035例定期去医院的患者的结果。我们比较了参加门诊咨询的频率(无论是亲自和通过远程医疗电话咨询),糖化血红蛋白A 1C(HBA 1C)以及估计的肾小球过滤率(EGFR)(EGFR)与前2型糖尿病患者之间的6个月中的2型糖尿病患者在2020年4月至2020年9月2020年的同一期间(IE)(IE)(IE)(IE)期间(IECO)(IECO)(IECO)(IECO)。 2019年,使用Wilcoxon签名的排名测试。我们进行了多元逻辑回归分析,以识别与血糖控制和EGFR变化有关的因素。我们还使用差异差异设计中的远程医疗用户和远程医疗非使用者中的HBA 1C和EGFR的变化进行了比较。
背景:2018 年 11 月,一位中国研究人员报告称,他的团队已应用成簇的规则间隔回文重复序列或相关蛋白 9 从胚胎中删除基因 CC 趋化因子受体 5 型,并声称这两个新生儿将终生免疫 HIV 感染,社交媒体平台上将此事件称为 #GeneEditedBabies。尽管这一事件引发了全球范围内关于胚胎基因序列临床试验的伦理和法律问题的争论,但关注的焦点主要集中在学者和专业人士身上。然而,公众,尤其是按地理区域和文化分层的公众对这些问题的反应尚不清楚。目标:本研究旨在研究有关 #GeneEditedBabies 事件的网络帖子,并描述和比较不同用户群的社交媒体平台上公众的立场。方法:我们使用一组相关关键词在 4 个全球或地区主流社交媒体平台上搜索网络帖子:新浪微博(中国)、Twitter、Reddit 和 YouTube。我们应用结构主题模型来分析主要讨论的主题及其时间趋势。根据我们发现的主题,我们设计了一个注释码本,对每个平台随机抽取的 2000 个帖子进行标记,标记内容包括对该事件是支持、反对还是中立的立场,以及如果描述了立场,这些帖子的主要考虑因素是什么。注释数据用于比较 4 个网络平台上的立场和使用的语言。结果:我们收集了大约 130,000 名用户发布的关于 #GeneEditedBabies 事件的 220,000 多个帖子。我们的结果表明,用户讨论了广泛的主题,其中一些主题具有明显的时间趋势。我们的结果进一步表明,尽管几乎所有专家都反对这一事件,但许多网络帖子支持这一事件。其中,Twitter 上的反对帖数量最多(701/816,85.9%),其次是新浪微博(968/1140,84.91%)、Reddit(550/898,61.2%)和 YouTube(567/1078,52.6%)。反对的主要原因是出于伦理方面的考虑,而支持的主要原因是期望这种技术可以预防未来疾病的发生。这四个平台的帖子在表达对#GeneEditedBabies 事件的立场时,语言使用和模式有所不同。结论:本研究提供的证据表明,网络平台上的帖子可以提供关于公众对基因编辑技术的立场的见解。然而,这些立场在不同的网络平台上有所不同,而且往往与学者和政策制定者提出的立场不同。
背景:在当前 COVID-19 大流行时期,癌症患者的管理对医疗保健系统构成了重大挑战。乳腺癌是国际上最常见的癌症。乳腺癌是一种疾病,其管理计划涉及手术、化疗、激素治疗、靶向治疗、放疗以及最近的免疫治疗。免疫系统需要数月才能从这些药物中恢复,而对于需要持续使用这些药物治疗的转移性乳腺癌患者,这种情况甚至更糟。其中一些药物,例如细胞周期蛋白依赖性激酶 4 和 6 的抑制剂,可引起罕见但危及生命的肺部炎症。患有肺部转移性疾病的乳腺癌患者在感染 COVID-19 后可能会出现疾病症状恶化。治疗乳腺癌患者的肿瘤学家在治疗选择方面面临着困难的境地。COVID-19 对乳腺癌护理的影响尚不清楚,包括如何在不损害患者和社区安全的情况下提供尽可能最好的护理。目的:本研究旨在探讨肿瘤医生对 COVID-19 大流行期间乳腺癌患者管理的看法。方法:向沙特阿拉伯、埃及和阿拉伯联合酋长国从事乳腺癌管理的执业肿瘤医生提交了一份基于网络的 SurveyMonkey 问卷。调查重点关注参与者的特征、癌症患者的感染风险以及与不同类型乳腺癌相关的可能的治疗调整。结果:82 名参与者完成了调查。对于早期激素受体 (HR) 阳性、人表皮生长因子受体 2 (HER2) 阴性乳腺癌,82 名参与者中有 61 名 (74%) 支持在选定患者中使用新辅助激素疗法,58% (48/82) 的参与者倾向于在有指征时给予 6 至 8 个周期的辅助化疗。只有 43% (35/82) 的参与者倾向于在所有患者中使用细胞周期依赖性激酶 4 和 6 抑制剂以及激素疗法作为一线治疗
背景:对于中风、创伤性脑损伤 (TBI) 和其他与言语障碍相关的神经系统疾病,言语和语言治疗是促进康复的标准治疗方法。然而,临床医生的时间限制和保险报销等障碍可能会抑制患者获得优化功能增益所需支持的能力。尽管数字康复有可能通过允许患者在家练习来增加获得治疗的机会,但目前尚不清楚影响患者参与基于技术的治疗水平的临床和人口统计学特征。目的:本研究旨在评估参与数字治疗的程度是否因患者各种特征而异,包括年龄、性别、诊断、发病时间和地理位置(城市与农村)。方法:回顾性分析了开始使用 Constant Therapy(一种针对言语障碍患者的远程交付的基于云的康复计划)的中风或 TBI 患者的数据。仅包括在家完成的治疗课程的数据。评估了以下三个活动指标:(1)治疗的活跃周数,(2)每周平均活跃治疗天数,和(3)在开始项目的前 20 周内完成的治疗总数。活跃的一天或一周被定义为至少完成一次治疗。分别执行多元线性回归模型,将每个活动测量值作为因变量,将所有可用的患者人口统计数据作为模型协变量。结果:分析了 2850 名中风或 TBI 患者的数据,平均患者以每周 1.5 天的频率完成 8.6 周的治疗。与已知的技术采用障碍相反,老年患者在开始项目的前 20 周内更为活跃,51 至 70 岁的患者比 50 岁或以下的患者多完成 5.01 个疗程(P = .04)。同样,生活在农村地区、面临更大诊所就诊障碍的患者比城市患者更多地参与数字化治疗,在控制了其他模型协变量后,农村患者在开始就诊的前 20 周内完成的疗程多 11.54 次(P = 0.001)。结论:对真实世界数据的评估表明,中风和 TBI 患者经常使用数字疗法在家中进行认知和语言康复。在临床服务有限的地区,使用率更高,并且不受年龄等典型技术采用障碍的影响。这些发现将有助于指导未来数字康复治疗研究的方向,包括人口统计学对康复结果的影响和大型随机对照试验的设计。