NYU 发表大语言模型预测患者再入院研究

NVIDIA 这篇博文介绍了纽约大学医学院团队开发的 NYUTron，一个发表于《Nature》的临床大语言模型。模型用 NYU Langone Health 十年的电子健康记录预训练，语料规模超过 40 亿词、覆盖近 40 万患者，全部是非结构化的医生笔记与诊疗记录。在 30 天再入院预测这一首要任务上，NYUTron 比当时最先进的机器学习模型准确率高出 10 个百分点以上。

研究方法的关键是把再入院预测当作自然语言处理任务而不是结构化特征工程。论文牵头人、NYU Grossman 医学院放射与神经外科助理教授 Eric Oermann 在文中强调，传统再入院预测模型自 1980 年代就存在，但需要医院级别的临床文本语料才能让 LLM 把人类未曾考虑的洞见捕捉出来。模型训练完成后，团队用大约一周时间又派生出四个预测算法：住院天数预测、院内死亡率预测、保险理赔被拒概率预测，以及另一项相关任务。在 NYU 体系内，该模型已应用于超过 5 万名出院患者，预测结果通过邮件通知反馈给医生。

论文也给出一条可推广的工程路径。Oermann 指出，并不是所有医院都有从零训练大模型的资源，但完全可以采用 NYUTron 这样的预训练模型，再用本院少量数据在云端 GPU 上微调。生产部署使用 Triton 推理框架以保证响应速度。这条路径意味着中等规模、领域精炼数据训练的医疗 LLM 可以走进真实的临床决策流程，下一步计划是开展临床试验，验证基于 NYUTron 风险分层的干预能否真的降低再入院率。