用于可靠临床分流的领域适应型小型语言模型
计算与语言
2026-04-30 v1 人工智能
机器学习
摘要
准确且一致的急诊严重性指数（ESI）分配在急诊科仍是一个持续的挑战，其中高度可变的自由文本分诊文档导致误分诊和工作流程效率低下。本研究评估了开源小型语言模型（SLM）是否可以作为可靠的、隐私保护的临床分诊决策支持工具。我们系统地比较了多种 SLM 在不同提示管道下的表现，发现临床情景（triage narratives 的简洁概述）最能预测正确的 ESI 评分。SLM Qwen2.5-7B 在准确性、稳定性和计算效率之间表现最佳。通过针对专家精选和银标准儿童分诊数据的大规模领域适应，微调的 Qwen2.5-7B 模型显著减少了误判和临床上重要错误，优于所有基线 SLM 和先进的专有大型语言模型（LLM，如 GPT-4o）。这些发现凸显了基于机构特定的 SLM 实现可靠、隐私保护的 ESI 决策支持的可行性，强调了针对性微调相对于更复杂推理策略的重要性。
关键词
引用
@article{arxiv.2604.26766,
title = {Domain-Adapted Small Language Models for Reliable Clinical Triage},
author = {Manar Aljohani and Brandon Ho and Kenneth McKinley and Dennis Ren and Xuan Wang},
journal= {arXiv preprint arXiv:2604.26766},
year = {2026}
}