面向临床笔记的资源导向下一日出院预测建模
人工智能
2026-04-07 v1
摘要
及时预测出院时间对于优化选科脊柱手术单位的病床周转和资源分配至关重要。本研究评估了轻量级、微调型大语言模型（LLM）和传统文本模型用于预测基于术后临床笔记的下一日出院的可行性。我们比较了 13 种模型，包括 TF-IDF 与 XGBoost 和 LGBM，以及通过 LoRA 微调的紧凑型 LLM（DistilGPT-2、Bio_ClinicalBERT）。TF-IDF 与 LGBM 实现了最佳平衡，出院类别的 F1 分数为 0.47，召回率为 0.51，AUC-ROC 最高为 0.80。虽然 LoRA 在 DistilGPT2 中提高了召回率，但总体而言，基于转换器的和生成式模型表现不佳。这些发现表明，可解释、资源高效的模型在现实世界的不平衡临床预测任务中可能优于紧凑型 LLM。
引用
@article{arxiv.2604.03498,
title = {Resource-Conscious Modeling for Next- Day Discharge Prediction Using Clinical Notes},
author = {Ha Na Cho and Sairam Sutari and Alexander Lopez and Hansen Bow and Kai Zheng},
journal= {arXiv preprint arXiv:2604.03498},
year = {2026}
}