训练 大语言模型 来预测临床事件

纵向临床记录包含患者如何随时间演变的丰富证据，但将这种信号转化为临床预测的训练监督仍然具有挑战性。我们通过将按时间排序的 MIMIC-III 笔记转换为由过去的患者背景、关于未来可能事件的自然语言问题以及从后来的文档解析的标签组成的示例，将前瞻学习扩展到临床预测。该过程从 702 例入院病例中产生了 6,900 个预测示例，涉及药物、手术、器官支持、微生物学和死亡率。在这些示例上训练的小型 LoRA 适配器比提示的基本模型有所改进，将预期校准误差从 0.1269 降低到 0.0398，将 Brier 分数从 0.199 降低到 0.145，同时在保留问题上略微优于 GPT-5 点估计。该方法可以通过纵向记录进行可重复使用的临床预测监督，而无需手工设计的结构化特征或特定于终点的分类器。