通过 LLM 引导的时间生理动力学模拟进行临床可解释的脓毒症早期预警

由于生理恶化的复杂时间动态，脓毒症的及时且可解释的早期预警仍然是一项重大的临床挑战。传统的数据驱动模型通常提供准确但不透明的预测，限制了医生的信心和临床适用性。为了解决这一限制，我们提出了一种 大语言模型 (LLM) 引导的时间模拟框架，该框架可以明确地模拟疾病发作之前的生理轨迹，以进行临床可解释的预测。该框架由一个时空特征提取模块（捕获多变量生命体征之间的动态依赖性）、一个将临床推理线索嵌入到 LLM 中的医疗提示作为前缀模块，以及一个基于代理的后处理组件（将预测限制在生理上合理的范围内）组成。通过首先模拟关键生理指标的演变，然后对脓毒症发作进行分类，我们的模型提供了与临床判断一致的透明预测机制。在 MIMIC-IV 和 eICU 数据库上进行评估，所提出的方法在 24-4 小时发病前预测任务中实现了优异的 AUC 分数 (0.861-0.903)，优于传统的深度学习和基于规则的方法。更重要的是，它提供了可解释的轨迹和风险趋势，可以帮助临床医生在重症监护环境中进行早期干预和个性化决策。