EviCare：利用深度模型引导的上下文推理证据增强诊断预测

大语言模型 (LLM) 的最新进展使得电子健康记录 (EHR) 的诊断预测取得了可喜的进展。然而，现有的基于 LLM 的方法往往过度拟合历史观察到的诊断，常常忽视对早期干预至关重要的新颖但临床上重要的条件。为了解决这个问题，我们提出了 EviCare，一种上下文推理框架，它将深度模型指导集成到基于 LLM 的诊断预测中。 EviCare 不是直接使用原始 EHR 输入提示 LLM，而是执行 (1) 用于候选人选择的深度模型推理，(2) 基于集合的 EHR 的证据优先级，以及 (3) 用于新诊断预测的关系证据构建。然后，这些信号被组合成自适应上下文提示，以准确且可解释的方式指导 LLM 推理。对两个现实世界 EHR 基准（MIMIC-III 和 MIMIC-IV）的广泛实验表明，EviCare 实现了显着的性能提升，在精度和准确度指标上始终优于仅 LLM 和仅深度模型基准，平均高出 20.65%。这些改进在挑战新颖的诊断预测方面尤其显着，平均提高了 30.97%。