大语言模型分诊识别患者信息中抗逆转录病毒治疗依从障碍与风险等级

JAMIA open · 2026-09-26 · 期刊论文

• 一句话结论：结论方向：基于大语言模型的分诊方法在识别抗逆转录病毒治疗（ART）依从障碍与分层不依从风险上表现出中等偏好的分类性能，属证据支持其技术可行性，但外部验证性能下降，尚不足以支持临床落地。
• 研究设计与做法：研究设计与做法：由HIV感染者与医务人员共同组成共建委员会，对15 480条句子进行障碍与风险等级标注；将通用领域大语言模型（如Flan-T5）与临床基础模型（如Clinical-T5）微调用于多分类，以Macro-F1评价，并与GPT系列及其他开源大语言模型比较，同时评估模型公平性、错误模式与环境足迹。
• 主要结果：主要结果：Flan-T5-xl在障碍识别上表现最佳，Macro-F1为测试集0.83、外部集0.71；Flan-T5-large在风险分层上表现最佳，为0.79与0.57；微调后的通用领域大语言模型显著优于临床基础模型（P值材料未完整报告）。
• 机制或解释：机制或解释：作者未在摘要中给出机制性解释，仅提示通用领域大语言模型经微调后在患者信息分类任务上优于临床基础模型，具体原因材料未报告。
• 局限与边界：局限与边界：外部验证Macro-F1明显低于测试集（障碍0.71、风险0.57），提示泛化受限；摘要未报告人群构成、单中心与否、随访时长及利益冲突，均材料未报告。
• 可否落地：可否落地：对临床与科研而言，该结果提示大语言模型可用于患者信息中依从障碍与风险的辅助分诊，属“提示”档位；因外部验证性能下降且缺乏前瞻性临床结局验证，尚不足以下结论支持实际临床部署。

🔗 打开原文

Ma Y, Achiche S, Lessard D 等

本文摘自《每日前沿研究简报 · 2026-09-29》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。