图结构增强的大语言模型用于个性化健康洞察：睡眠分析案例研究

健康监测系统通过实现对生理和行为数据的持续捕获，彻底变革了现代医疗保健，这对于预防措施和早期干预至关重要。虽然将此类数据与大语言模型（LLM）集成显示出在提供交互式健康建议方面具有潜力，但诸如检索增强生成（RAG）和微调等传统方法往往无法充分利用来自可穿戴设备的复杂、多维且具有时序相关性的数据。这些常规方法通常由于缺乏动态整合和解读多样化健康数据流的能力，难以提供有限的可操作且个性化的健康洞察。为此，本文提出了一种图结构增强的大语言模型框架，以显著提升健康洞察的个性化与清晰度。该框架利用层次化图结构捕获患者间和患者内部关系，通过随机森林模型从中提取动态特征重要性得分，丰富LLM提示信息。通过针对新冠疫情期间20名大学生的睡眠分析案例，展示了该方法的有效性，凸显了该模型能够高效生成可操作且个性化健康洞察的潜力。我们利用另一款LLM对洞察进行评估，以衡量其相关性、完整性、可操作性和个性化水平，从而满足处理和有效解释复杂健康数据的模型迫切需求。我们的发现表明，利用本框架增强提示信息后，在所有4项指标上均实现了显著改进。通过本框架，我们能够引导出更精心制作、更富洞察力的回应，针对特定患者进行定制化。