教授 LLM 在代表性不足的癫痫护理中推荐和推迟

在资源有限的环境中，癫痫专业知识稀缺，这使得基于 LLM 的决策支持对管理纵向治疗的一线临床医生具有吸引力。此类系统必须适应当地的处方实践并知道何时推迟。我们在乌干达小儿癫痫护理中研究这个问题，从纵向非结构化临床记录中预测抗癫痫药物治疗方案。标准提示与医生处方达成了重要的一致，但神经科医生的审查表明，许多错误反映了分布校准错误的处方默认值，而不是未能解析本地记录。我们引入了 MANANA，这是一种非参数提示学习框架，可以从小型患者级别的训练集中学习本地处方指导。 MANANA 将观察到的处方错误转换为可审核的提示记忆，以单代理和多代理变体实例化，并改进了经典 ML 模型、直接 LLM 提示以及两个独立收集的乌干达队列的提示优化基线。我们进一步提出贝叶斯提示平均，它将学习到的提示轨迹转换为处方可能性和基于不确定性的延迟信号。在独立收集的保留队列中，与即时优化基线相比，这将访问级别的前 3 个处方准确性提高了 4-8 个百分点，并实现了选择性预测：系统可以以 95% 的精度自动处理最有信心的一半病例，或以 99% 的精度自动处理最有信心的四分之一病例，同时将较低置信度的病例推迟到专家审查。