基于大语言模型的电子健康记录少样本疾病预测：一种结合预测智能体推理与批评智能体指令的新方法
计算与语言
2024-03-26 v1 人工智能
机器学习
多智能体系统
摘要
电子健康记录包含有价值的患者数据，可用于健康相关的预测任务，如疾病预测。传统方法依赖于需要大量标注数据的监督学习方法，这既昂贵又难以获取。在本研究中，我们探究了应用大语言模型将结构化患者就诊数据（如诊断、化验、处方）转换为自然语言叙述的可行性。我们使用各种面向EHR预测的提示策略评估了LLM的零样本和少样本性能。此外，我们提出了一种新颖方法，利用具有不同角色的LLM智能体：一个进行预测并生成推理过程的预测智能体，以及一个分析错误预测并为改进预测智能体推理提供指导的批评智能体。我们的结果表明，通过所提出的方法，LLM在基于EHR的疾病预测中能够达到与传统的监督学习方法相当的少样本性能，这表明其在健康导向应用中的潜力。
引用
@article{arxiv.2403.15464,
title = {LLMs-based Few-Shot Disease Predictions using EHR: A Novel Approach Combining Predictive Agent Reasoning and Critical Agent Instruction},
author = {Hejie Cui and Zhuocheng Shen and Jieyu Zhang and Hui Shao and Lianhui Qin and Joyce C. Ho and Carl Yang},
journal= {arXiv preprint arXiv:2403.15464},
year = {2024}
}