Paper page - Training Large Language Models to Predict Clinical Events

来源：https://huggingface.co/papers/2605.12817 发布于 5月12日

·

由 https://huggingface.co/Bturtel 提交

Ben (https://huggingface.co/Bturtel) 于 5月22日

摘要

纵向临床笔记通过前瞻学习被转换为时间预测示例，从而通过LoRA适配改进临床预测，相比基础模型，校准能力提升且不确定性降低。

纵向临床笔记记录了患者随时间演变的丰富证据，但将这些信号转化为临床预测的训练监督仍具挑战性。我们将前瞻学习扩展至临床预测，通过将时间排序的MIMIC-III笔记转换为包含患者过去背景、关于未来可能事件的自然语言问题以及后续文档解析标签的示例。该过程从702次入院中获得了6,900个预测示例，涵盖药物、手术、器官支持、微生物学和死亡率。基于这些示例训练的小型LoRA适配器优于提示基础模型，将预期校准误差从0.1269降至0.0398，Brier分数从0.199降至0.145，同时在保留问题上的点估计略优于GPT-5。该方法无需手工设计的结构化特征或特定终点分类器，即可从纵向笔记中实现可复用的临床预测监督。

查看 arXiv 页面 (https://arxiv.org/abs/2605.12817)查看 PDF (https://arxiv.org/pdf/2605.12817)项目页面 (https://arxiv.org/abs/2605.12817)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.12817)

在您的智能体中获取此论文：

hf papers read 2605.12817

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型0

没有模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2605.12817 即可从本页关联。

引用该论文的数据集0

没有数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.12817 即可从本页关联。

引用该论文的 Space0

没有 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2605.12817 即可从本页关联。

包含该论文的收藏0

没有收藏包含此论文

添加此论文至收藏 (https://huggingface.co/new-collection) 即可从本页关联。