基于多模态医疗记录的智能体LLM推理用于儿童糖尿病结局预测

大型语言模型（LLM）智能体被提出用于临床预测，但尚未在儿科中接受检验，因为儿科队列规模小且结局不常见。我们利用2,489名2型糖尿病（T2D）青少年和4,018名1型糖尿病（T1D）青少年的记录，涵盖结构化数据、从病历文本衍生的社会决定因素，以及在T1D中的连续血糖监测数据，基于18个月的随访预测24个月时的七种T2D结局，其中四种也在T1D中进行了预测。CEDAR（Clinical Evidence-Driven Agent for Risk-prediction，临床证据驱动的风险预测智能体）是一个可引用证据、可自我审计的LLM流程，在两个队列中均优于经过训练的机器学习（T2D中合并的受试者工作特征曲线下面积为0.815对0.656至0.700，T1D中为0.756对0.603至0.631），在筛查稀疏的结局上优势最为明显。在其引用的70,246个数值中，只有4个与病历不符。仅阅读CEDAR所引用的证据和推理，两名儿科内分泌科医生在约十分之九的病例中得出了与CEDAR相同的预测，彼此之间的一致率为90.5%。

中文由 AI 翻译，仅供参考，以原文为准。