LLMs-based Few-Shot Disease Predictions using EHR: A Novel Approach Combining Predictive Agent Reasoning and Critical Agent Instruction

这篇文章探讨了电子健康记录（EHR）在健康相关预测任务中的应用，如疾病预测。传统方法依赖于需要大量标记数据集的监督学习方法，这可能是昂贵且难以获得的。在本研究中，我们研究了应用大型语言模型（LLMs）将结构化的患者就诊数据（例如诊断、实验室、处方）转换为自然语言叙述的可行性。我们使用各种面向EHR预测的提示策略评估了LLMs的零样本和少样本性能。此外，我们提出了一种新颖的方法，利用具有不同角色的LLM代理：一个预测代理，用于进行预测和生成推理过程，以及一个批评代理，用于分析错误的预测并提供改进预测代理推理的指导。我们的结果表明，使用所提出的方法，LLMs可以在EHR疾病预测中实现相当的少样本性能，与传统的监督学习方法相比，这表明了它在健康相关应用中的潜力。

本论文旨在探讨使用大型语言模型（LLMs）将结构化的病人就诊数据转化为自然语言叙述的可行性，以及使用LLMs在电子健康记录（EHR）预测任务中的零样本和少样本表现。同时，论文提出了一种新颖的方法，利用具有不同角色的LLM代理：预测代理和批评代理，以提高预测和推理的准确性。

使用大型语言模型将结构化的病人就诊数据转化为自然语言叙述，以及利用具有不同角色的LLM代理来提高预测和推理的准确性。

论文在多个EHR预测任务中评估了LLMs的性能，并与传统的监督学习方法进行了比较。结果表明，使用LLMs的零样本和少样本表现相对较好。此外，论文提出的预测代理和批评代理方法可以提高预测和推理的准确性。

近年来，使用大型语言模型进行医疗预测任务的研究越来越多。例如，"BERT-based Patient Representation Learning for Clinical Outcome Prediction"和"ClinicalBERT: Modeling Clinical Notes and Predicting Hospital Readmission"等。