基于大语言模型的中国代谢疾病出院用药推荐
计算与语言
2025-12-08 v2 人工智能
摘要
基于电子健康档案(EHRs)的智能用药推荐对于提升临床决策的质量与效率至关重要。通过利用大规模的患者数据,用药推荐系统能够协助医生根据患者的病史、诊断、实验室结果及合并症选择最合适的药物。大语言模型(LLMs)的最新进展在复杂推理与医学文本理解方面展现出卓越能力,使其成为用药推荐任务的有力工具。然而,LLMs 在中国临床用药推荐中的应用仍鲜有探索。在本工作中,我们对基于 LLM 的中国出院用药推荐方法进行了系统研究。我们在统一的方法框架下评估了若干具有代表性的 LLM 家族(GLM、Llama、Qwen),涵盖零样本提示、上下文学习、思维链提示以及使用 LoRA 的监督微调。我们从推理风格、错误模式、领域适配机制与鲁棒性等方面分析了模型行为。实验结果表明,虽然监督微调能够提升模型性能,但仍有较大改进空间,最佳模型的 F1 分数为 0.5648,Jaccard 分数为 0.4477。我们的发现凸显了 LLM 在中国用药推荐中的潜力与局限。
引用
@article{arxiv.2510.21084,
title = {Chinese Discharge Drug Recommendation in Metabolic Diseases with Large Language Models},
author = {Juntao Li and Haobin Yuan and Ling Luo and Yan Jiang and Fan Wang and Ping Zhang and Huiyi Lv and Jian Wang and Yuanyuan Sun and Hongfei Lin},
journal= {arXiv preprint arXiv:2510.21084},
year = {2025}
}