AI 與世界的難題 · 醫學與藥物探索 · Nature (computational biology) · 2026-10-22
利用大型語言模型與結構化資料預測腦中風警示中的急性顱內血管事件
原標題: Predicting acute intracranial vascular events in stroke alerts using large-language models and structured data
急性中風警示經常因非腦血管疾病而被啟動,產生偽陽性並造成資源緊繃。研究人員結合大型語言模型、結構化電子健康紀錄資料與臨床時間序列特徵,開發出機器學習模型,利用西奈山醫療體系(Mount Sinai Health System)的回溯性警示,在中風警示啟動時預測急性顱內血管事件。在16,512筆警示中,多模態模型達到0.73的AUROC,敏感度為0.76、特異度為0.56,顯示它能協助警示啟動後的風險分層,並減少偽陽性評估。