临床记录中的污名化语言影响大语言模型决策

大语言模型 (LLM) 越来越多地部署在临床决策支持和医疗文档等高风险领域。然而，这些模型针对细微语言变化的鲁棒性，特别是人类撰写的临床笔记中常见的污名化语言（SL），仍然严重缺乏探索。在这项工作中，我们研究前沿 LLM 在处理临床文本时是否继承并传播了这种人类偏见。我们利用注入不同强度和表型 SL（怀疑、责备和诽谤）的临床片段，系统地评估了四种污名化医疗状况的九个前沿 LLM。我们的结果表明，所有评估的模型都表现出很大的偏差，临床决策显着偏向于不太积极的患者管理。值得注意的是，我们观察到对语言框架的高度敏感性，其中单个 SL 句子足以改变模型输出，揭示清晰的剂量反应关系。此外，我们评估标准的基于提示的缓解策略，包括思想链（CoT）推理和模型自我去偏。这些方法的功效有限；模型很难明确地识别 SL，同时又隐含地受到它的影响。我们的研究结果暴露了当前 LLM 在临床 NLP 公平性和鲁棒性方面的一个关键漏洞，强调需要严格的算法护栏来防止健康差异的自动化。