摘要
背景/目的：上下文学习使大语言模型（LLM）能够在无需任务特定训练的情况下执行临床预测；然而，与传统机器学习相比，它们在结构化表格数据上的表现尚不明确。本研究评估了本地大语言模型在基于姿势稳定仪数据预测冷热水试验定义的平衡功能紊乱方面的性能、可扩展性和效率。方法：我们分析了238名参与者（75名平衡功能障碍患者，163名对照组）的姿势稳定测试数据。在本地环境中，使用CPU主导推理及部分GPU卸载，无外部数据传输，对涵盖多个模型家族的43个本地大语言模型进行了上下文学习评估。通过重复的留出验证法测量预测性能与推理时间，并与逻辑回归（LR）及基于树的集成方法进行了比较。结果：基于树的集成模型展现出最高的预测性能。大语言模型的表现存在异质性，因模型家族和规模而异。中等规模模型达到了与逻辑回归相当的准确率，尽管其性能在统计上无法与逻辑回归或多数类基线显著区分，而较小规模模型经常无法产生可用的二元输出。较大规模模型并未一致地带来与其计算成本成正比的性能提升。结论：在本小样本表格数据集上，本地大语言模型未能超越传统机器学习以达到最高的预测准确率。然而，它们可作为补充性的隐私保护方法，实现无需任务特定训练的部署。未来研究应使用更大数据集、更稳健的验证方法、标准化的结局定义及约束解码对这些发现进行验证。
