编辑推荐：
为解决现有 AI 方法在急诊科（ED）患者住院预测中对早期阶段决策准确性不足、缺乏解释性等问题，研究人员开展 LEGOLAS 方法研究，利用大语言模型（LLM）结合语义文本故事，实现早期准确且可解释的预测，结果优于传统方法，对优化医疗资源管理有重要意义。
在医疗领域，急诊科（ED）的高效运转对患者预后至关重要。然而，传统的人工智能（AI）方法在预测 ED 患者住院情况时存在明显短板：大多仅处理单次记录的患者数据，难以在病程早期做出准确决策，且缺乏模型决策的可解释性，这使得医护人员难以信任预测结果，也不利于优化医疗资源分配。为突破这些瓶颈，来自国外的研究人员聚焦于开发一种兼具准确性、早期预测能力和可解释性的方法，以提升 ED 患者管理的效率和质量。
研究人员开展了基于大语言模型（Large Language Model, LLM）的预测过程监控（Predictive Process Monitoring, PPM）方法研究，提出了名为 LEGOLAS 的框架。该研究成果发表在《Expert Systems with Applications》。
研究中采用的关键技术方法包括：①利用灵活的叙事模板将 ED 患者旅程中的事件日志转换为语义文本故事，该模板可处理多视图、多值性数据，避免传统特征工程的信息损失；②对 Bert-medium、ClinicalBert、GPT2、RoBerta 等基础 LLM 进行微调，使其适应 ED 患者住院预测任务；③运用 Integrated Gradients（IG）算法生成决策解释，分析事件和视图信息对预测结果的影响。研究使用 MIMICEL 事件日志（包含 205466 名患者的 ED 旅程数据）作为实验数据，包含 6 类活动和 15 个视图信息，涵盖生命体征、症状、用药等多维度数据。
6.1 LLM 和相关方法分析
通过对比 LEGOLAS 与多层感知机（MLP）、随机森林（RF）、极端梯度提升树（XGB）等传统 PPM 方法，发现 LEGOLAS 在整体准确率（OA）、宏 F 分数（macroF）和加权 F 分数（weightedF）上均显著优于传统方法。例如，LEGOLAS 使用 Bert-medium 时 OA 达 0.758，而传统方法最高仅为 0.660。不同 LLM 表现略有差异，Bert-medium 在多数类（如 Admitted 和 Home）中表现最佳，RoBerta 在少数类中更具优势，表明简单 LLM 已能有效提升预测性能。
6.2 Earliness 分析
在预测早期性方面，LEGOLAS 在患者旅程仅记录 12 个事件时，OA 已接近 0.8，远超传统方法。对于多数类 Admitted 和 Home，F 分数在早期阶段（12 个事件后）均超过 0.8，显示其能在病程早期提供可靠预测，为及时调整医疗资源分配争取时间。
6.3 Response speed analysis
响应速度实验表明，LEGOLAS 的预测响应时间平均小于 0.006 秒，即使复杂 LLM 如 RoBerta 也能在近实时内完成更新，满足交互式系统的需求，为临床决策的即时性提供保障。
7. 解释性分析
通过 IG 算法分析发现，早期事件（如患者入院时的基本信息）对决策影响最大，随着病程推进，最新事件的重要性逐渐增加。视图层面，“Arrival”（入院方式）、“Dispensation”（配药）、“Timestamp”（时间戳）和 “Activity”（活动类型）是早期决策的关键因素，而生命体征类视图（如心率 Hr、呼吸率 Br）的重要性随病程发展波动。不同结局类别中，“Arrival” 对多数类决策影响显著，“Symptoms”（症状）对 “Transfer”（转院）类决策尤为重要，为临床关注重点提供依据。
结论与讨论
LEGOLAS 通过语义文本故事和 LLM 微调，实现了 ED 患者住院的早期准确预测和决策解释，突破了传统方法在数据处理灵活性和可解释性上的局限。其核心优势在于能有效处理多值、非结构化数据，且在早期阶段即展现高预测性能，为医院提前调配资源（如护理人员、床位）提供科学依据。尽管在少数类（如 “Expired”）中表现有限，但该研究为 AI 在医疗流程监控中的应用开辟了新路径。未来研究可进一步扩展至多模态数据、模型不确定性估计及概念漂移处理，推动 LLM 在医疗决策支持系统中的实际落地，助力提升医疗服务的效率与安全性。
