LLMs用於從結構化臨床數據預測心血管風險

研究論文提出一個混合框架，旨在結合結構化臨床數據與大型語言模型（LLMs）生成的自然語言敘述，用於冠狀動脈疾病（CAD）的風險預測。論文使用一個公開數據集，包含1,190名患者記錄和11個臨床屬性，將結構化變數轉換為可解釋的特徵表示和合成臨床敘述。驗證管道通過反向提取臨床變數並計算一致性分數，達到平均忠誠度94.61%。實驗比較了四個傳統機器學習模型與LLMs（GPT和Gemini）在零樣本和少樣本提示下的分類性能。結果顯示，隨機森林模型準確度最高。然而，LLMs在真實臨床環境中仍有優勢，因為它們直接處理自然語言患者描述，保護了敏感的數值患者數據，如實驗室值和血壓讀數。論文總結指出，結合結構化數據與LLM敘述可為混合臨床預測系統開闢新方向。