论文
ChatHealthAI：将电子健康记录表示与大型语言模型对齐
ChatHealthAI: Aligning Electronic Health Record Representations with Large Language Models for Grounded Clinical Reasoning
摘要
大语言模型（LLM）在临床决策支持方面表现出强大的自然语言推理能力，但难以有效地对结构化纵向电子健康记录（EHR）进行建模。相比之下，EHR 基础模型可以学习预测性患者表征，但缺乏可解释的基于语言的推理。为了弥补这一差距，我们提出了 ChatHealthAI，这是一个多模态推理框架，它通过任务感知重采样器将来自预训练 EHR 基础模型的结构化 EHR 表示与冻结的 LLM 的语义空间对齐。通过将纵向患者表征与精确的临床事件描述相结合，ChatHealthAI 能够实现基于临床的自然语言推理，同时保持准确的患者预测。我们根据 EHRSHOT 基准评估了 ChatHealthAI 的三项临床预测任务。结果表明，ChatHealthAI 提高了推理质量和可解释性，同时保持了有竞争力的预测性能。这些发现凸显了将 EHR 基础模型与预训练的大语言模型相结合以实现可解释的临床预测的潜力。
