论文
CPGPrompt：将临床指南转化为 LLM 可执行的决策支持
CPGPrompt: Translating Clinical Guidelines into LLM-Executable Decision Support
摘要
临床实践指南（CPG）为患者诊疗提供循证建议；然而，将其整合进人工智能（AI）仍然充满挑战。以往的方法（如基于规则的系统）存在明显局限，包括可解释性差、对指南的遵循不一致以及领域适用面窄。为解决这一问题，我们开发并验证了 CPGPrompt，一个将叙述性临床指南转化为大型语言模型（LLM）可执行形式的自动提示系统。我们的框架将 CPG 转换为结构化决策树，并利用 LLM 动态导航这些决策树来评估患者病例。我们在三个领域（头痛、腰痛和前列腺癌）生成合成病例片段并分为四类，以测试不同的决策场景。系统性能在二元专科转诊决策和细粒度路径分类两类任务上评估。二元专科转诊分类在所有领域都取得持续强劲的表现（F1：0.85-1.00），且召回率很高（1.00 ± 0.00）。相比之下，多类路径分配的表现有所下降，并呈现领域差异：头痛（F1：0.47）、腰痛（F1：0.72）和前列腺癌（F1：0.77）。领域间的性能差异反映了各指南的结构。头痛指南凸显了否定处理方面的挑战。腰痛指南需要时间推理。相比之下，前列腺癌路径受益于可量化的实验室检查，从而带来更可靠的决策。
