长期新冠的计算表型学：LLM 增强方法
机器学习
2026-03-20 v1 人工智能
摘要
表型学特征化对于理解慢性疾病的异质性以及为个体化干预提供指导至关重要。长期新冠是一种复杂且持续的疾病，但其临床亚表型尚未得到充分了解。本文提出了LLM 增强的计算表型学框架“Grace Cycle”，该框架迭代集成假设生成、证据提取和特征细化，以从纵向患者数据中发现临床上有意义的亚群。该框架基于13,511名长期新冠受试者识别出三种临床表型：受保护型、反应型和顽固型。这些表型在峰值症状严重程度、基线疾病负担和纵向剂量-反应模式方面表现出显著的分离，并在多个独立维度上具有强大的统计支持。这一研究说明了如何将大语言模型集成到原则性、统计上以数据为导向的表型筛选管道中。请注意，本文提出的框架是疾病中性的，为发现临床可解释亚表型提供了通用方法。
引用
@article{arxiv.2603.18115,
title = {LLM-Augmented Computational Phenotyping of Long Covid},
author = {Jing Wang and Jie Shen and Amar Sra and Qiaomin Xie and Jeremy C Weiss},
journal= {arXiv preprint arXiv:2603.18115},
year = {2026}
}