TRIAGE：对不规则采样的医疗时间序列进行可解释风险预测的辩证 LLM 推理

基于电子健康记录中不规则采样的医疗时间序列 (ISMTS) 构建的临床早期预警系统必须为患者分类提供连续的风险评分以及临床医生可以验证的可解释的理由。 大语言模型 (LLM) 对两者都有独特的定位，从其输出概率中得出风险，并从其医学知识中得出原理。然而，我们发现传统的 LLM 推理将风险分级归结为过度自信的预测，从而破坏了分类所依赖的跨患者可比性。我们将这种失败模式称为风险极化，并确定了两种潜在行为：对单一结果的早期承诺，以及仅关注该结果的证据的片面推理。为了解决这个问题，我们提出了 TRIAGE，这是一个框架，可以训练 LLM 通过引出特定于结果的基本原理来对竞争的临床结果进行辩证推理。这种辩证的表述减轻了风险极化，使单个 LLM 能够共同提供明确的临床原理和跨患者可比较的风险评分。在五个 ISMTS 基准中，相对于基于 LLM 的竞争基准，TRIAGE 将平均 AUPRC 提高了 17.0%，平均校准误差降低了 82.8%，同时平均 AUPRC 超过了最强的 ISMTS 基准 3.5%。