通过自适应 LLM 提案对不良妊娠结果进行因果建模

早产和妊娠糖尿病等妊娠不良后果 (APO) 可能对母亲和孩子产生长期后果，但对其原因的了解仍然难以捉摸。由于数据缺乏和领域知识不完整，该领域的因果发现尤其具有挑战性。因此，纯数据驱动的方法会失败，并且 大语言模型 (LLM) 输出仍然不一致或矛盾。我们引入了一个神经符号框架，用于生成合理的因果假设，该框架将 LLM 的广泛先验知识与数据的经验评分迭代地结合起来。我们的方法将 LLM 视为自适应提议分布，生成根据经验数据进行评分的假设；然后，所得的高分图用于更新 LLM 的上下文，引导后代走向假设空间中更有希望的区域。我们在真实世界的临床数据集上评估我们用于建模 APO 及其风险因素的方法，并将我们的结果与专家构建的因果图进行比较。我们的方法恢复了所有经过专家验证的边缘，并确定了专家之前未列出的其他看似合理的因果关系，可能为有针对性的干预措施提供新的见解。