利用 LLM 先验能挽救多少患者？

Shota Arai; David Selby; Andrew Vargo; Sebastian Vollmer

利用 LLM 先验能挽救多少患者？

统计方法学 2025-11-21 v2 人工智能新兴技术信息检索应用统计

作者: Shota Arai , David Selby , Andrew Vargo , Sebastian Vollmer

摘要

设想这样一个世界：得益于大型语言模型（LLM）中编码的知识，临床试验只需少得多的患者即可达到相同的统计功效。我们提出了一个新颖的框架，利用 LLM 提供信息的先验分布，对多中心临床试验中的不良事件进行分层贝叶斯建模。与生成合成数据点的数据增强方法不同，我们的方法直接从模型中获取参数化先验。我们的方法使用预训练的 LLM 系统地引出分层贝叶斯模型中超参数的信息先验，从而将外部临床专业知识直接纳入贝叶斯安全建模。通过对真实世界临床试验数据进行全面的温度敏感性分析和严格的交叉验证，我们证明与传统元分析方法相比，LLM 导出的先验持续提升了预测性能。该方法为更高效、专家知情的临床试验设计铺平了道路，使得在实现稳健安全性评估所需的患者数量得以大幅减少，并有望改变药物安全性监测与监管决策。

关键词

大型语言模型贝叶斯建模临床试验先验分布不良事件预测性能

引用

@article{arxiv.2509.04250,
  title  = {How many patients could we save with LLM priors?},
  author = {Shota Arai and David Selby and Andrew Vargo and Sebastian Vollmer},
  journal= {arXiv preprint arXiv:2509.04250},
  year   = {2025}
}

备注

9 pages, 4 figures

利用 LLM 先验能挽救多少患者？

摘要

关键词

引用

备注

相关论文