TIMER: 用于纵向临床记录的时间指令建模与评估
人工智能
2025-03-07 v1 计算工程、金融与科学
计算与语言
机器学习
摘要
大语言模型（LLM）已作为辅助医疗任务的有前景工具出现，但处理电子健康记录（EHR）因其纵向性质而面临独特挑战。尽管 LLM 执行医疗任务的能力持续提升，其在多个患者就诊和时间范围之间进行时间依赖推理的能力仍未被探索。我们提出 TIMER（Temporal Instruction Modeling and Evaluation for Longitudinal Clinical Records），一个将指令-响应对锚定到患者记录不同部分作为纵向临床记录中指令评估与调优的关键维度的框架。我们开发了 TIMER-Bench——首个时间感知的基准，用于评估纵向 EHR 上的时间推理能力，以及 TIMER-Instruct——一种用于 LLM 学习时间推理的指令微调方法。我们证明，采用 TIMER-Instruct 微调的模型在人工生成基准上性能提升 7.3%，在 TIMER-Bench 上提升 9.2%，表明时间指令微调改善了模型对 EHR 进行推理的性能。
引用
@article{arxiv.2503.04176,
title = {TIMER: Temporal Instruction Modeling and Evaluation for Longitudinal Clinical Records},
author = {Hejie Cui and Alyssa Unell and Bowen Chen and Jason Alan Fries and Emily Alsentzer and Sanmi Koyejo and Nigam Shah},
journal= {arXiv preprint arXiv:2503.04176},
year = {2025}
}
备注
Preprint