自主免微调的临床症状检测多智能体系统：开发与验证研究

临床笔记包含许多促使患者就医的体征与症状，但这些信息很少进入结构化字段。既有抽取方法要么依赖产生假阳性的上下文不敏感规则，要么依赖需要大量微调的监督模型。我们提出Pythia：一个自主编写并优化临床概念抽取提示的多智能体系统——无需人工提示工程或微调。运行在本地托管的开放权重模型上，Pythia把临床笔记保留在本地基础设施，并以开发集敏感度与特异度选择提示。我们在代表387名患者的400份临床笔记上、跨72个体征与症状比较Pythia与精选词表；每个概念独立划分开发集（n=300）与验证集（n=100）。Pythia取得平均敏感度0.76、特异度0.95，词表分别为0.82与0.76；在62个可直接比较概念中的20个上，两项指标均追平或超过词表。对词表把每份笔记都标为阳性的14个概念：Pythia通过要求“现在时、归属患者的发现”而非任何术语的文本提及，恢复平均0.97的特异度。特异度从开发到验证的迁移几乎无退化（跨患病率），而敏感度迁移在患病率低于5%时减弱——低于2%时平均差距0.25。在同一开发集上逐概念微调的BERT分类器平均敏感度仅0.23，并在约5%患病率以下的概念上塌缩到零敏感度。结果表明自主、免微调的提示优化能产出从开发到验证有效泛化的症状抽取提示，同时保持可在本地基础设施部署。