从员工信息到可操作洞察：面向医疗分析的多阶段LLM分类框架
计算与语言
2025-09-09 v1
摘要
医院呼叫中心是医院系统中患者的主要接触点。它们还产生了大量员工信息，因为导航员处理患者请求并与医院办公室按照既定的协议限制和指导方针进行沟通。这些持续积累的大量文本数据可以被挖掘和处理以获取洞察；然而，传统的监督学习方法需要标注数据、大量的训练以及模型调优。大语言模型（LLMs）为医疗分析提供了一种向更计算高效方法转变的范式。本文提出了一种基于LLM的多阶段框架，用于识别员工信息主题并以多分类方式对信息进行分类。在此过程中，评估了多种LLM类型，包括推理模型、通用模型和轻量模型。表现最佳的模型是o3，加权F1分数达到78.4%，准确率达到79.2%，其次是gpt-5（加权F1分数75.3%，准确率76.2%）。所提出的方法论包含了医疗环境必需的数据安全措施和HIPAA合规要求。处理后的LLM输出被整合到一个可视化决策支持工具中，将员工信息转化为医疗专业人员可访问的可操作洞察。这种方法使得收集的员工信息数据得到更高效的利用，识别导航员培训机会，并支持改善患者体验和护理质量。
引用
@article{arxiv.2509.05484,
title = {From Staff Messages to Actionable Insights: A Multi-Stage LLM Classification Framework for Healthcare Analytics},
author = {Hajar Sakai and Yi-En Tseng and Mohammadsadegh Mikaeili and Joshua Bosire and Franziska Jovin},
journal= {arXiv preprint arXiv:2509.05484},
year = {2025}
}