隨著台灣社會高齡化，年長者照護需求持續成長，導致我國當前長期照護領域面臨經濟負擔與人力短缺的雙重挑戰，而高齡者跌倒事件所引發的問題更進一步加劇此困境，於社會與經濟層面均造成重大影響。為解決此問題，本實驗室整合GPT、Llama等大型語言模型(Large Language Model, LLM)與先前提出之腰部感測裝置，分析受照護者病歷、量表與慣性感測器數據，評估跌倒風險並產出照護建議。本系統應用檢索增強生成(Retrieval-Augmented Generation, RAG)技術，透過分析量表資訊、電子醫療紀錄及步態數據之相似度搜尋找出最相近的案例作為新案例跌倒風險評估的參考依據，模擬專業醫師的判斷過程，提升風險評估的準確性及泛用性。隨後LLM將參考檢索結果與最新醫療知識及臨床指引，生成符合年長者實際狀況的個人化照護建議。透過此系統可以提供更快速、客觀的跌倒風險評估，並讓年長者、家屬及日照工作人員獲得專業照護指引，降低年長者的跌倒風險並提升其生活品質，達到預防勝於治療之防跌目標。

1. (1) 跌倒風險評估結果 (RAG)

   本團隊使用門診及日照機構收集的年長者步態及臨床量表資料集進行跌倒風險評估，並透過 K-fold 交叉驗證來驗證不同方法的準確性。為了評估本系統的效能，我們比較三種不同方法在跌倒風險評估上的準確率：

   1. 基線方法 (Baseline Approach)： 直接使用檢索增強生成 (RAG)，讓 LLM 依據 Morse 跌倒量表 (MFS) 和檢索到的相關文獻來評估跌倒風險。
   2. 相似案例檢索代理與 RAG (Similar Case Retrieval Agent with RAG)： 使用本研究提出的相似案例檢索代理找出相似案例並結合 RAG 檢索的文獻，讓 LLM 參考這些資訊模擬專業醫師的診斷經驗，提高跌倒風險評估的準確性。
   3. 基於案例推理架構 (Case-Based Reasoning Architecture, CBRA)： 在方法 2 的基礎上，加入跌倒風險評估演算法給出的參考風險評估作為輔助判斷機制，結合 RAG 檢索到的文獻資料輔助 LLM 進行推理，以強化 LLM 在跌倒風險評估上的準確性與穩定性。

   跌倒風險評估結果如圖三(a)顯示，在四種不同的LLM (GPT-4o、Gemini-2.0-Flash、Llama-3.2-3B-Int.和Gemma-2-2B-It)上測試各方法的準確率，其中CBRA架構的跌倒風險評估準確率分別達到了72.1%、67.4%、72.1%和86.1%。結果顯示透過相似案例檢索輔助LLM進行風險評估，可有效提升模型的準確性，使其評估結果更接近專業醫師的判斷。然而Gemini-2.0-Flash在加入輔助判斷機制後，評估準確率反而下降，顯示不同LLM的內部推理方式可能會影響整體效能。此外本研究發現參數規模較小的LLM (Llama-3.2-3B-Int.和Gemma-2-2B-It)在結合輔助判斷機制後，跌倒風險評估的準確性優於大參數LLM (GPT-4o和Gemini-2.0-Flash)，顯示本地化模型在此應用場景的可行性與潛在優勢。從圖三(b)可以觀察到，大參數LLM在跌倒風險評估時存在高估風險的傾向，不僅降低了模型的特異性(specificity)和整體準確性，還可能導致醫源性恐懼(iatrogenic fear)及反安慰劑效應(nocebo effect)，進而影響使用者的行為與決策。因此整合輔助判斷機制的RAG系統在減少跌倒風險高估方面發揮關鍵作用，提升LLM在醫療領域的應用可靠性。綜合來看，本研究提出的CBRA方法，透過結合輔助判斷機制與RAG，能有效減少跌倒風險高估的問題，提升LLM在跌倒風險評估中的可靠性與實用性。

2. (2) 照護建議生成

   本研究提出的方法透過患者個人資訊、相似案例比對與風險評估結果，提供個人化的照護建議，確保建議內容能夠針對患者的具體情況進行調整。這種方法不僅強調患者的個別特徵，還結合臨床數據與相似案例分析，使得生成的建議具有更高的臨床適用性與可行性。

   以圖四為例，LLM充分考慮並分析了該案例的年齡、TUG測試時間、跌倒歷史、認知問題及輔助設備等關鍵資訊。這些因素在臨床上是跌倒風險評估的重要依據，並且直接影響患者的日常活動能力與安全性。根據這些資訊，LLM綜合評估後判定該患者的跌倒風險為中度 (Moderate Risk)，並提供針對性的個人化照護建議。