成本感知预测（CAP）：面向心力衰竭死亡率预测的 LLM 增强机器学习管线与决策支持系统
机器学习
2025-11-20 v1
摘要
目标：通常在不考虑下游价值权衡和临床可解释性的情况下开发机器学习（ML）预测模型。本文引入成本感知预测（CAP）框架，结合由大语言模型（LLM）代理人协助的成本效益分析，以沟通应用 ML 预测所涉及的权衡。材料与方法：我们开发了一个预测心力衰竭患者 1 年死亡率的 ML 模型（N=30,021，死亡率 22%），以识别适合居家护理的患者。随后，我们引入临床影响投影（CIP）曲线，用于可视化重要成本维度——生活质量和医疗保险提供者费用，进一步细分为治疗费用和错误费用，以评估预测的临床后果。最后，我们使用四个 LLM 代理人生成患者专属描述。该系统通过临床医生进行评估，以其决策支持价值为依据。结果：eXtreme 梯度提升（XGB）模型取得最佳性能，其受试者工作特征曲线下面积（AUROC）为 0.804（95% 置信区间（CI）0.792-0.816），精确召回曲线下面积（AUPRC）为 0.529（95% CI 0.502-0.558），Brier 评分（Brier score）为 0.135（95% CI 0.130-0.140）。讨论：CIP 成本曲线提供了决策阈值范围内成本构成的群体层面概览，而 LLM 生成的成本效益分析则针对个体患者水平。根据临床医生的评估，该系统备受好评。然而，反馈强调需要加强针对推测性任务的技术准确性。结论：CAP 利用 LLM 代理人将 ML 分类器结果与成本效益分析集成，以实现更透明和可解释的决策支持。
引用
@article{arxiv.2511.15357,
title = {Cost-Aware Prediction (CAP): An LLM-Enhanced Machine Learning Pipeline and Decision Support System for Heart Failure Mortality Prediction},
author = {Yinan Yu and Falk Dippel and Christina E. Lundberg and Martin Lindgren and Annika Rosengren and Martin Adiels and Helen Sjöland},
journal= {arXiv preprint arXiv:2511.15357},
year = {2025}
}