English(EN) Improving Fairness of Large Language Model-Based ICU Mortality Prediction via Case-Based Prompting

新的 LLM 提示方法提高了 ICU 死亡率预测的公平性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-02 04:00

研究人员开发了一种名为案例提示（CAP）的新框架，以提高用于预测重症监护室（ICU）死亡率的大型语言模型（LLM）的公平性。这种无需训练的方法在推理过程中将包括存在人口差异的相似历史案例作为上下文证据。在 MIMIC-IV 数据集上的实验表明，与基线提示相比，CAP 显著提高了预测性能，将 AUROC 从 0.806 提高到 0.873，将 AUPRC 从 0.497 提高到 0.694。虽然 CAP 减少了与性别和种族相关的差异，但与年龄相关的差异仍然存在，这表明仅仅抑制人口统计信息并不能普遍提高性能和公平性。 AI

影响增强了 LLM 在关键医疗应用中的公平性，有可能改善患者预后并减少临床决策中的偏见。

排序理由学术论文，详细介绍了 LLM 在特定领域公平性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了 LLM 在特定领域公平性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Gangxiong Zhang, Yongchao Long, Yuxi Zhou, Yong Zhang, Shenda Hong · 2026-10-02 04:00

通过基于案例的提示改进大型语言模型 ICU 死亡率预测的公平性

arXiv:2512.19735v4 Announce Type: replace Abstract: Accurately predicting mortality risk in intensive care unit (ICU) patients is critical for clinical decision-making. Large language models (LLMs) are increasingly explored for clinical prediction using structured medical data, b…

本文如何被排名

报道来源 [1]

通过基于案例的提示改进大型语言模型 ICU 死亡率预测的公平性

相关实体

相关话题