预测创伤性脑损伤中的紧急死亡风险:机器学习和大型语言模型GPT-5的比较分析
Kuan-Chi Tu1, Yung-De Kuo2, Tee-Tau Eric Nyam1
1Department of Neurosurgery, Chi Mei Medical Center, Tainan 710402, Taiwan.
International journal of medical informatics
|January 7, 2026
概括
大型语言模型 (LLM) 可以达到与传统机器学习 (ML) 相比的准确性,在值校准后预测创伤性脑损伤 (TBI) 的结果. 快速工程提高了LLM的临床适用性.
科学领域:
- 临床预测建模临床预测建模
- 医疗保健中的人工智能
背景情况:
- 人工智能 (AI) 对于预测创伤性脑损伤 (TBI) 结果至关重要.
- 传统的机器学习 (ML) 模型显示出高精度,但大型语言模型 (LLM) 在临床预测中的潜力尚未得到充分探索.
研究的目的:
- 将ML和LLM方法对TBI结果的预测性能进行比较.
- 评估提示策略和值校准对LLM可靠性和临床适用性的影响.
主要方法:
- 使用了5,475个TBI病例的数据集,其中有12个临床特征.
- 开发了一个支持向量机 (SVM) 模型和四个LLM策略 (零射击,少数射击,少数射击+思维链,Cot-only GPT).
- 在固定和平衡的值下,使用精度,灵敏度,特异性和ROC-AUC来评估性能.
主要成果:
- SVM模型实现了最高的整体性能 (AUC = 0.920).
- 经过值调整后,所有LLM都显示出可比的AUC (0.902-0.919).
- 几次射击的GPT与SVM性能密切匹配;CoT+几次射击最大化了灵敏度,而Cot-only最大化了特异性.
结论:
- 值校准允许LLM在TBI预测中接近ML的准确性.
- 简单的LLM提供了快速部署和可解释性的优势.
- 快速工程和自适应值调整可以提高基于LLM的预测系统的临床可用性.


