训练大型语言模型以预测临床事件
机器学习
2026-05-14 v1 人工智能
计算与语言
摘要
纵向临床笔记包含丰富的证据，揭示了患者随时间的演变，但将此信号转换为临床预测的训练监督仍然具有挑战性。我们将 Foresight Learning 扩展到临床预测，通过将时间排序的 MIMIC-III 笔记转换为由过去患者上下文、关于可能未来事件的自然语言问题以及由后续文档解决的标签组成的示例。这一过程从 702 例住院记录中产生了 6,900 个预测示例，涵盖药物、程序、器官支持、微生物学和死亡。在这些示例上训练的小型 LoRA 适配器相对于提示下的基础模型实现了改进，将预期校准误差从 0.1269 降低到 0.0398，将 Brier 分数从 0.199 降低到 0.145，同时在 held-out 问题上略微超越 GPT-5 点估计。该方法使从纵向笔记中获取可重复使用的临床预测监督成为可能，而无需手工工程的结构化特征或特定于端点的分类器。
引用
@article{arxiv.2605.12817,
title = {Training Large Language Models to Predict Clinical Events},
author = {Benjamin Turtel and Paul Wilczewski and Kris Skotheim},
journal= {arXiv preprint arXiv:2605.12817},
year = {2026}
}