COPE：基于开源大型语言模型的链索思预测引擎用于临床笔记中的中风后果预测
人工智能
2025-12-03 v1
摘要
预测急性中风 (AIS) 的结局可指导临床决策、患者咨询和资源分配。临床笔记包含丰富的上下文信息，但其非结构化特性限制了其在传统预测模型中的应用。我们开发并评估了链索思 (Chain-of-Thought, CoT) 结局预测引擎 (COPE)，用于从非结构化临床笔记中预测 AIS 的 90 天功能结局。本研究纳入 464 例 AIS 患者，其出院摘要与 90 天修改雷纳斯尺度 (mRS) 评分相对应。COPE 基于顺序式开源 LLaMA-3-8B 模型实现 two-step CoT 框架：第一步生成临床推理，第二步输出 mRS 预测。我们将 COPE 与 GPT-4.1、ClinicalBERT、基于结构变量的机器学习模型 (Clinical ML) 以及不含 CoT 的单步 LLM 进行比较。评估指标包括均方绝对误差 (MAE)、误差在 +/-1 mRS 点内的准确率以及精确准确率。COPE 的 MAE 为 1.01 (95% 置信区间 0.92-1.11)，+/-1 准确率为 74.4% (69.9, 78.8%)，精确准确率为 32.8% (28.0, 37.6%)，相当于 GPT-4.1 并优于 ClinicalBERT [MAE 1.24 (1.13-1.36)]、Clinical ML [1.28 (1.18-1.39)] 以及单步 LLM [1.20 (1.09-1.33)]。亚组分析显示 COPE 在性别和年龄方面表现一致，但在老年患者、接受血栓切除者以及摘要较长者中稍高误差。上述结果表明，COPE 作为一种轻量、可解释且具隐私保护性的开源框架，提供了准确且实用的从非结构化临床文本进行结局预测的解决方案。
引用
@article{arxiv.2512.02499,
title = {COPE: Chain-Of-Thought Prediction Engine for Open-Source Large Language Model Based Stroke Outcome Prediction from Clinical Notes},
author = {Yongkai Liu and Helena Feng and Bin Jiang and Yixin Wang and Max Wintermark and David S. Liebeskind and Michael Moseley and Maarten Lansberg and Gregory Albers and Jeremy Heit and Greg Zaharchuk},
journal= {arXiv preprint arXiv:2512.02499},
year = {2025}
}