通过基于案例的提示改进基于大语言模型的ICU死亡率预测的公平性
机器学习
2026-03-24 v3
摘要
准确预测重症监护病房（ICU）患者的死亡风险对于临床决策至关重要。尽管大语言模型（LLM）在结构化医学预测任务中展现出强大潜力，但其输出可能表现出与人口统计属性（如性别、年龄和种族）相关的偏差，限制了其在公平性至关重要的临床环境中的可靠性。现有的去偏方法通常会降低预测性能，使得平衡公平性和准确性变得困难。在本研究中，我们系统分析了基于LLM的ICU死亡率预测中的公平性问题，并提出了一种临床自适应提示框架，该框架无需模型重新训练即可同时提升性能和公平性。我们首先设计了一个多维偏差评估方案来识别子组差异。基于此，我们引入了案例提示（CAP），这是一个无需训练的框架，它整合了现有的去偏策略，并进一步利用与正确结果配对的相似历史误预测案例来引导模型纠正有偏差的推理。我们在MIMIC-IV数据集上评估了CAP。结果表明，AUROC从0.806提升至0.873，AUPRC从0.497提升至0.694。同时，不同人口统计组之间的预测差异显著减小，在性别和某些白人与黑人比较中，减少幅度超过90%。特征依赖分析进一步揭示了跨组高度一致的注意力模式，相似度超过0.98。这些发现表明，通过精心设计的提示可以联合优化基于LLM的临床预测中的公平性和性能，为开发可靠且公平的临床决策支持系统提供了一种实用范式。
引用
@article{arxiv.2512.19735,
title = {Improving Fairness of Large Language Model-Based ICU Mortality Prediction via Case-Based Prompting},
author = {Gangxiong Zhang and Yongchao Long and Yuxi Zhou and Yong Zhang and Shenda Hong},
journal= {arXiv preprint arXiv:2512.19735},
year = {2026}
}