智能医疗新范式：基于大语言模型的患者级知识增强与临床预测优化

【编辑推荐】本文提出IntelliCare框架，创新性地利用大语言模型（LLM）生成患者级外部知识，通过患者队列识别（patient cohort identification）和混合知识精炼（hybrid knowledge refinement）双重机制，有效解决LLM在电子健康记录（EHR）分析中的模糊性和不一致性问题。实验证明其在MIMIC-III/IV数据集上显著提升死亡率、再入院和住院时长预测性能，为临床决策支持系统（CDSS）提供新思路。

　　

亮点解析

更广泛的影响：可解释性与普适性
IntelliCare通过临床AI的可解释性增强与跨医疗场景的适配能力，展现出独特价值。我们的方法通过以下两点实现临床洞见：1）编码器驱动校正模块（Encoder-Driven Rectification）将LLM生成依据与EHR编码器表征对齐；2）基于困惑度引导（Perplexity-Guided）的响应筛选机制，共同构建可交互的临床决策辅助工具。

结论
本文提出的IntelliCare框架开创性地将LLM智能整合至EHR模型。通过患者队列识别技术，利用队列统计特征弥补LLM对临床任务认知的不足；结合混合知识精炼策略（同步采用EHR嵌入与困惑度校准），在MIMIC-III/IV数据集上验证其对死亡率、再入院和住院时长预测的显著提升，为个性化医疗和医生决策支持系统开辟新路径。

利益冲突声明
作者声明不存在可能影响本研究的财务或个人利益冲突。

致谢
本研究得到中国国家自然科学基金（U23A20468）支持。

（注：翻译严格遵循生命科学领域术语规范，如"perplexity"译为"困惑度"而非"复杂度"；保留技术缩写如EHR/CDSS；采用动态表达如"临床洞见""开辟新路径"增强可读性；省略文献标识[17][19]等及图示引用）