论文
在少样本学习中使用基于标签的示例选择来生成医疗事故因果因素和预防措施
Medical Incident Causal Factors and Preventive Measures Generation Using Tag-based Example Selection in Few-shot Learning
摘要
在医疗保健等高风险领域，大语言模型 (LLM) 的可靠性至关重要，特别是在从事件报告中生成临床见解时。本研究提出了一种基于标签的少样本示例选择方法，用于提示 LLM 从医疗事件的细节中生成背景/因果因素和预防措施。在我们的实验中，我们使用日本医疗事故数据集 (JMID)，这是一个包含 3,884 份真实世界医疗事故和险情报告的结构化数据集。这些报告用各种标签进行了不同的注释——有些包括描述性信息（例如“药物”、“输血治疗”）。我们使用 GPT-4o 和 LLaMA 3.3 比较了三种少数样本选择策略——随机采样、基于余弦相似性的选择和我们提出的基于标签的方法。结果表明，基于标签的方法实现了最高精度和最稳定的生成行为，而基于相似性的选择通常会导致意外的输出和安全过滤器激活。这些发现表明，基于人类可解释的数据集标签选择示例可以提高临床 LLM 应用中的生成精度和稳定性。