• MeSH
• kongresy jako téma MeSH
• lidé MeSH
• podpora zdraví MeSH
• řízení veřejného zdraví MeSH
• ukazatele zdravotního stavu * MeSH
• veřejné zdravotnictví * MeSH
• Check Tag
• lidé MeSH

INTRODUCTION AND AIMS: The overlapping characteristics of oral lichen planus (OLP), a chronic oral mucosal inflammatory condition, with those of other oral lesions, present diagnostic challenges. Large language models (LLMs) with integrated computer-vision capabilities and convolutional neural networks (CNNs) constitute an alternative diagnostic modality. We evaluated the ability of seven LLMs, including both proprietary and open-source models, to detect OLP from intraoral images and generate differential diagnoses. METHODS: Using a dataset with 1,142 clinical photographs of histopathologically confirmed OLP, non-OLP lesions, and normal mucosa. The LLMs were tested using three experimental designs: zero-shot recognition, example-guided recognition, and differential diagnosis. Performance was measured using accuracy, precision, recall, F1-score, and discounted cumulative gain (DCG). Furthermore, the performance of LLMs was compared with three previously published CNN-based models for OLP detection on a subset of 110 photographs, which were previously used to test the CNN models. RESULTS: Gemini 1.5 Pro and Flash demonstrated the highest accuracy (69.69%) in zero-shot recognition, whereas GPT-4o ranked first in the F1 score (76.10%). With example-guided prompts, which improved consistency and reduced refusal rates, Gemini 1.5 Flash achieved the highest accuracy (80.53%) and F1-score (84.54%); however, Claude 3.5 Sonnet achieved the highest DCG score of 0.63. Although the proprietary models generally excelled, the open-source Llama model demonstrated notable strengths in ranking relevant diagnoses despite moderate performance in detection tasks. All LLMs were outperformed by the CNN models. CONCLUSION: The seven evaluated LLMs lack sufficient performance for clinical use. CNNs trained to detect OLP outperformed the LLMs tested in this study.

• MeSH
• diagnóza počítačová * metody   MeSH
• diferenciální diagnóza MeSH
• jazyk (prostředek komunikace) * MeSH
• lichen planus orální * diagnóza   diagnostické zobrazování   patologie   MeSH
• lidé MeSH
• neuronové sítě * MeSH
• Check Tag
• lidé MeSH
• Publikační typ
• časopisecké články MeSH
• srovnávací studie MeSH

Přehledový článek shrnuje principy umělé inteligence a jejího využití v primární péči se zaměřením na redukci dimenzionality dat a implementaci velkých jazykových modelů v klinickém rozhodování z pohledu všeobecného praktického lékaře. Článek demonstruje, jak moderní algoritmy založené na latentních reprezentacích a hlubokém učení napomáhají zefektivnit diagnostiku, upřesnit diagnózu a usnadnit administrativní úkony, přičemž respektují klinickou zkušenost praktického lékaře.

This review summarizes the principles of applying artificial intelligence (in primary care, focusing on dimensionality reduction and the integration of large language models in clinical decision-making. The article demonstrates how modern algorithms based on latent representations and deep learning contribute to more efficient diagnostics, refined diagnosis, and streamlined administrative processes, all while complementing the clinical expertise of practicing physicians.

BACKGROUND AND STUDY AIMS: Current general-purpose artificial intelligence (AI) large language models (LLMs) demonstrate limited efficacy in clinical medicine, often constrained to question-answering, documentation, and literature summarization roles. We developed GastroGPT, a proof-of-concept specialty-specific, multi-task, clinical LLM, and evaluated its performance against leading general-purpose LLMs across key gastroenterology tasks and diverse case scenarios. METHODS: In this structured analysis, GastroGPT was compared with three state-of-the-art general-purpose LLMs (LLM-A: GPT-4, LLM-B: Bard, LLM-C: Claude). Models were assessed on seven clinical tasks and overall performance across 10 simulated gastroenterology cases varying in complexity, frequency, and patient demographics. Standardized prompts facilitated structured comparisons. A blinded expert panel rated model outputs per task on a 10-point Likert scale, judging clinical utility. Comprehensive statistical analyses were conducted. RESULTS: A total of 2,240 expert ratings were obtained. GastroGPT achieved significantly higher mean overall scores (8.1 ± 1.8) compared with GPT-4 (5.2 ± 3.0), Bard (5.7 ± 3.3), and Claude (7.0 ± 2.7) (all P < 0.001). It outperformed comparators in six of seven tasks ( P < 0.05), except follow-up planning. GastroGPT demonstrated superior score consistency (variance 34.95) versus general models (97.4-260.35) ( P < 0.001). Its performance remained consistent across case complexities and frequencies, unlike the comparators ( P < 0.001). Multivariate analysis revealed that model type significantly predicted performance ( P < 0.001). CONCLUSIONS: This study pioneered development and comparison of a specialty-specific, clinically-oriented AI model to general-purpose LLMs. GastroGPT demonstrated superior utility overall and on key gastroenterology tasks, highlighting the potential for tailored, task-focused AI models in medicine.

• Publikační typ
• časopisecké články MeSH

BACKGROUND: Large language models (LLMs) have emerged as potential tools in healthcare. This systematic review evaluates the applications of text-generative conversational LLMs in nephrology, with particular attention to their reported advantages and limitations. METHODS: A systematic search was performed in PubMed, Web of Science, Embase and the Cochrane Library in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines. Eligible studies assessed LLM applications in nephrology. PROSPERO registration number CRD42024550169. RESULTS: Of 1070 records screened, 23 studies met inclusion criteria, addressing four clinical applications in nephrology. In patient education (n = 13), GPT-4 improved the readability of kidney donation information from a 10th to a 4th grade level (9.6 ± 1.9 to 4.30 ± 1.71) and Gemini provided the most accurate answers to chronic kidney disease questions (Global Quality Score 3.46 ± 0.55). Regarding workflow optimization (n = 7), GPT-4 achieved high accuracy (90-94%) in managing continuous renal replacement therapy alarms and improved diagnosis of diabetes insipidus using chain-of-thought and retrieval-augmented prompting. In renal dietary guidance (n = 2), Bard AI led in classifying phosphorus and oxalate content of foods (100% and 84%), while GPT-4 and Bing Chat were most accurate for potassium classification (81%). For laboratory data interpretation (n = 1), Copilot significantly outperformed ChatGPT and Gemini in simulated nephrology datasets (median scores 5/5 compared with 4/5 and 4/5; P < .01). TRIPOD-LLM assessment revealed frequent omissions in data handling, prompting strategies and transparency. CONCLUSIONS: While LLMs may enhance various aspects of nephrology practice, their widespread adoption remains premature. Input-quality dependence and limited external validation restrict generalizability. Further research is needed to confirm their real-world feasibility and ensure safe clinical integration.

• Publikační typ
• časopisecké články MeSH

Kolektivní monografie obsahuje výsledky tvůrčí práce vysokoškolských učitelů a odborníků z praxe, které se zabývají ustanoveními dotýkajícími se oblasti práv k duševnímu vlastnictví, obsažených v novém občanském zákoníku č. 89/2012 Sb., který nabývá účinnosti od 1. ledna 2014.

• MeSH
• občanská práva MeSH
• obchod zákonodárství a právo   MeSH
• podnikání zákonodárství a právo   MeSH
• právní odpovědnost MeSH
• právní vědy MeSH

• Konspekt
• Soukromé právo
• NLK Obory
• právo, zákonodárství
• NLK Publikační typ
• příručky

Over the past decade, neuropsychiatric fluctuations in Parkinson's disease (PD) have been increasingly recognized for their impact on patients' quality of life. Speech, a complex function carrying motor, emotional, and cognitive information, offers potential insights into these fluctuations. While previous studies have focused on acoustic analysis to assess motor speech disorders reliably, the potential of linguistic patterns associated with neuropsychiatric fluctuations in PD remains unexplored. This study analyzed the content of spontaneous speech from 33 PD patients in ON and OFF medication states, using machine learning and large language models (LLMs) to predict medication states and a neuropsychiatric state score. The top-performing model, the LLM Gemma-2 (9B), achieved 98% accuracy in differentiating ON and OFF states and its predicted scores were highly correlated with actual scores (Spearman's ρ = 0.81). These methods could provide a more comprehensive assessment of PD treatment effects, allowing remote neuropsychiatric symptom monitoring via mobile devices.

• Publikační typ
• časopisecké články MeSH

Doba se zásadně proměnila a o vzdělávání mluví dnes snad každý. Mnohé komentáře pod články se vzdělávací tematikou - a především pak pod rozhovory o vzdělávání - nejsou příspěvky do diskuse, ale mají spíše podobu osobních urážek a emočních výlevů. Vést diskusi je složité a týká se to i vedení rozhovorů. Málokdo si přitom uvědomuje, že na kvalitní rozhovor jsou vždy potřeba dva, přičemž ten, kdo se dotazuje, je stejně tak důležitý jako ten, kdo odpovídá. Knížka, kterou vám chceme představit, přispívá k poznávání toho, co je důležité jak pro úspěch každého žáka, tak ke kultivaci diskuse o vzdělávání v České republice. Silvie Pýchová i dotazovaní se v oblasti vzdělávání pohybují dlouho a znají toto prostředí z různých stran. A jsou zvyklí sdělovat i naslouchat. Všechny rozhovory přitom spojuje jediné centrální téma: Úspěch pro každého žáka. Na jedné straně jsou si tedy zpovídaní lidé v mnohém podobní, na straně druhé každý z respondentů zdůrazňuje trochu jiný aspekt. Pro jednoho z respondentů je to přivést k systematické a smysluplné práci i nejvíce znevýhodněné žáky, pro dalšího to, aby se každý žák učil naplno a s radostí. Pro jiného je to pak zejména podpora učitelů, aby také oni ve své práci prožívali úspěch. Všichni z dotazovaných jsou přitom praktici, kteří z nadhledu reflektují svoji zkušenost.; Knížka, kterou vám chceme představit, přispívá k poznávání toho, co je důležité jak pro úspěch každého žáka, tak ke kultivaci diskuse o vzdělávání v České republice. Silvie Pýchová i dotazovaní se v oblasti vzdělávání pohybují dlouho a znají toto prostředí z různých stran. A jsou zvyklí sdělovat i naslouchat. Všechny rozhovory přitom spojuje jediné centrální téma: Úspěch pro každého žáka. Na jedné straně jsou si tedy zpovídaní lidé v mnohém podobní, na straně druhé každý z respondentů zdůrazňuje trochu jiný aspekt. Pro jednoho z respondentů je to přivést k systematické a smysluplné práci i nejvíce znevýhodněné žáky, pro dalšího to, aby se každý žák učil naplno a s radostí. Pro jiného je to pak zejména podpora učitelů, aby také oni ve své práci prožívali úspěch. Všichni z dotazovaných jsou přitom praktici, kteří z nadhledu reflektují svoji zkušenost.

• Klíčová slova
• andragogika, gerontagogika,
• MeSH
• dospělí MeSH
• kontinuální vzdělávání MeSH
• senioři MeSH
• výchova a vzdělávání MeSH
• vzdělávání odborné MeSH
• Check Tag
• dospělí MeSH
• senioři MeSH
• Publikační typ
• sborníky MeSH

• Konspekt
• Výchova a vzdělávání dospělých. Mimoškolní výchova a vzdělávání
• NLK Obory
• pedagogika

BACKGROUND: Socially assistive robots (SARs) hold promise for supporting older adults (OAs) in hospital settings by promoting social engagement, reducing loneliness, and enhancing emotional well-being. They may also assist health care professionals by delivering information, managing routines, and alleviating workload. However, their acceptability and usability remain major challenges, particularly in dynamic real-world care environments. OBJECTIVE: This study aimed to evaluate the acceptability and usability of a SAR in a geriatric day care hospital (DCH) and to identify key factors influencing its adoption by OAs and their informal caregivers. METHODS: Over the course of 1 year, 97 participants (n=65, 67%, OA patients and n=32, 33%, informal caregivers) took part in a mixed methods evaluation of ARI, a socially assistive humanoid robot developed by PAL Robotics. ARI was deployed in the waiting area of a geriatric day care robot in Paris (France), where it interacted with users through voice-based dialogue. After each session, participants completed 2 standardized assessments, the Acceptability E-scale (AES) and the System Usability Scale (SUS), administered orally to ensure accessibility. Open-ended qualitative feedback was also collected to capture subjective experiences and contextual perceptions. RESULTS: Acceptability scores significantly increased across waves (wave 1: mean 15.4/30, SD 5.81; wave 2: mean 20.9/30, SD 5.25; wave 3: mean 22.5/30, SD 4.23; P<.001). Usability scores also improved (wave 1: mean 47.9/100, SD 24.18; wave 2: mean 57.4/100, SD 22.46; wave 3: mean 69.3/100, SD 16.03; P<.001). A strong positive correlation was observed between acceptability and usability scores (r=0.664, P<.001). Qualitative findings indicated improved ease of use, clarity, and user satisfaction over time, particularly following the integration of a large language model (LLM) in wave 2, leading to more coherent, natural, and context-aware interactions. CONCLUSIONS: Successive system enhancements, most notably the integration of an LLM, led to measurable gains in usability and acceptability among patients and informal caregivers. These findings underscore the importance of iterative, user-centered design in deploying SARs in geriatric care environments. TRIAL REGISTRATION: Approved by the French national ethics committee (CPP Ouest II, IRB: 2021/20) as it did not involve randomization or clinical intervention.

• MeSH
• lidé středního věku MeSH
• lidé MeSH
• pomůcky pro sebeobsluhu * MeSH
• robotika * přístrojové vybavení   MeSH
• senioři nad 80 let MeSH
• senioři MeSH
• velké jazykové modely MeSH
• Check Tag
• lidé středního věku MeSH
• lidé MeSH
• mužské pohlaví MeSH
• senioři nad 80 let MeSH
• senioři MeSH
• ženské pohlaví MeSH
• Publikační typ
• časopisecké články MeSH
• Geografické názvy
• Francie MeSH