大型語言模型(LLM)在麻醉醫學的臨床應用正快速演進。2022 年，用BERT 融合深度網路，使用結構化資料加上手術描述文字能更準確判斷 30 天內死亡風險，證明文字能做風險分層。隔年發表的研究，將術前評估文字送入BioClinicalBERT與fastText，並利用Shapley圖示讓使用者直接看到模型依據，顯示語言模型可將可解釋性引入決策支援。2024 年研究使用GPT-4配合few-shot與chain-of-though提示，能同時給出ICU收治、院內死亡及ASA評分的文字理由，但對住院天數等連續變項預測仍顯不足。最新研究合併使用檢索增強生成引用可靠參考資料，除了準確度提升外，在少見個案仍保持敏感度，並能提供可解讀的原因。這些研究共同勾勒出 LLM 的三大里程碑：自由文字即時風險分層、可解釋推理，以及檢索強化以降低幻覺。未來挑戰將集中在混合結構與非結構化資料、時序連續資料建模、以及安全的落地，邁向麻醉前評估與電子病歷的實戰。