LLM智能体预测儿童糖尿病结局优于机器学习

LLM智能体CEDAR在儿童糖尿病结局预测中AUC高于机器学习模型。

资讯摘要

论文提出证据引用型LLM流程CEDAR，基于2489名2型糖尿病和4018名1型糖尿病青少年的多模态病历，用18个月随访数据预测24个月后的结局。作者报告CEDAR在两个队列中均优于训练过的机器学习模型，合并AUC在T2D为0.815对0.656–0.700，在T1D为0.756对0.603–0.631，在筛查稀疏的结局上优势最明显。其引用的70246个数值中仅4个与病历不符；两名儿科内分泌医生仅阅读CEDAR引用的证据与推理，约九成情况下得出相同预测，彼此一致率90.5%。

要点速读

1. CEDAR为证据引用、自我审计的LLM预测流程，覆盖结构化数据、笔记提取的社会决定因素及T1D的连续血糖监测数据。
2. 作者报告合并AUC：T2D为0.815，机器学习为0.656–0.700；T1D为0.756，机器学习为0.603–0.631。
3. CEDAR引用的70246个数值中仅4个与病历不匹配；两名儿科内分泌医生阅读其证据后约九成得出相同预测。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。