基于 LLM 的医院住院预测评估：用于决策支持的情境感知方法
人工智能
2026-04-28 v1
摘要
医学和公共卫生专家必须基于大规模医疗 disruption（如运营故障或疫情）期间的住院趋势预测，进行实时资源决策，例如扩大医院床位容量。预测模型可通过分析设施层面的大量资源相关数据来协助完成这一任务，但必须在现实数据条件下保持可靠，以支持决策。近期研究表明，大语言模型（LLM）可以将更丰富的情境信息纳入数值预测。而传统模型主要依赖于时间情境（即过去的观察），LLM 还能利用非时间性的公共卫生情境，例如人口统计信息、地理信息和人口水平特征。然而，如何在现实医疗环境中使用这些模型以产生稳定或决策相关的预测仍不清晰。为评估 LLM 在此场景中的有效应用方法，我们在美国 60 个县（分别具有低、中、高住院强度）上评估了三种方法：直接基于 LLM 的预测、经典时间序列模型，以及一种情境增强混合管道（HybridARX），该管道将 LLM 派生信号整合到结构化模型中。由于目标是运营决策而非单纯最小化误差，我们除了采用标准预测指标外，还评估了偏差和滞后对齐。我们的结果表明，HybridARX 相较于经典 ARX 模型在预测稳定性和校准性方面均有所提升，尤其是在将噪声情境信号整合到结构化时间序列模型时效果更为显著。这些发现表明，在非平稳的医疗资源预测中，LLM 最有用之处在于嵌入结构化混合模型中。
引用
@article{arxiv.2604.23949,
title = {Context-Aware Hospitalization Forecasting Evaluations for Decision Support using LLMs},
author = {Rhea Makkuni and Ananya Joshi},
journal= {arXiv preprint arXiv:2604.23949},
year = {2026}
}