PREBA：基于PCA加权检索增强型大语言模型及贝叶斯平均聚合的手术时长预测

准确预测手术时长对于医院资源管理至关重要。尽管最近的监督学习方法——从机器学习到微调的大语言模型（LLM）——显示出良好的性能，但它们仍受限于需要高质量的标记数据和计算密集型训练。在 contrast 中，零样本LLM推理提供了一种无需训练的有前景的替代方案，但缺乏对机构特定临床背景（如当地人口统计和病例混合分布）的 grounding，导致其预测在临床上不一致且容易不稳定。为解决这些限制，我们提出了PREBA，一种检索增强框架，集成PCA加权检索和贝叶斯平均聚合，将LLM预测 grounding 在机构特定的临床证据和统计先验之内。PREBA的核心在于构建一个基于证据的提示语，用于LLM，包括（1）最临床相似的历史手术病例和（2）临床统计先验。为实现这一点，PREBA首先将异构临床特征编码到统一的表示空间，以实现系统化检索。然后进行PCA加权检索，以识别临床相关的历史病例，这些病例构成供给LLM的证据上下文。最后，PREBA应用贝叶斯平均聚合，将多轮LLM预测与人口水平统计先验融合，产生已校准且临床上合理的时长估计。我们在两个真实临床数据集上评估了PREBA，使用三个最先进的LLM，包括Qwen3、DeepSeek-R1和HuatuoGPT-o1。PREBA显著提升了性能——例如，在零样本推理中将MAE降低最高可达40%，R²从-0.13提升至0.62——且达到与监督机器学习方法相当的准确度，显示出强大的有效性和泛化能力。