信息如何表达：LLM血糖事件预测中的信息表示作用

大型语言模型（LLM）越来越多地被研究用于生理时间序列预测，但它们的有效性可能不仅取决于模型本身，还取决于生理信息在推理时的表示和呈现方式。本研究调查了基于提示的通用 LLM 对 1 型糖尿病患者餐后高血糖和低血糖的预测。使用 OhioT1DM 数据集，我们在 30、60 和 90 分钟的预测范围内，在零样本和少样本推理下评估多个开放权重大语言模型。该分析改变了可用生理信息的文本表示和模型暴露的信息量，范围从单独的葡萄糖观察到派生的描述符以及与胰岛素、膳食、碳水化合物和身体活动相关的其他上下文变量。将性能与传统的患者特定监督模型以及 Gluco-LLM（一种基于语言模型的架构，明确适应血糖时间序列预测）进行了比较。结果显示出明显的任务依赖性行为。传统的监督模型在高血糖预测方面实现了最强的性能，而观察到最好的基于提示的 LLM 配置则提高了所有研究范围内低血糖的性能。基于提示的推理的有效性也受到生理信息表示方式的强烈影响，而提供额外的上下文信息并不会带来系统性的改进。总体而言，这些发现强调了生理信息表示是基于提示的 LLM 血糖事件预测方法的核心设计因素。