כתבה
arXiv cs.AI ·
TRIAGE: תרגום דיאלקטי של LLM לזיהוי סיכון ניתן להסבר בזמנים רפואיים לא סדירים
TRIAGE: Dialectical LLM Reasoning for Explainable Risk Prediction on Irregularly Sampled Medical Time Series
מערכת TRIAGE מציעה פתרון לזיהוי סיכון ניתן להסבר בזמנים רפואיים לא סדירים. המערכת משתמשת בתרגום דיאלקטי של LLM כדי לזהות סיכון ולספק הסברים ניתנים לאישוש. TRIAGE חושף פערים במערכות זיהוי סיכון קיימות ומציעה פתרון יעיל יותר.
תקציר מקורי באנגליתarXiv:2606.09030v2 Announce Type: replace-cross Abstract: Clinical early warning systems built on irregularly sampled medical time series (ISMTS) from electronic health records must deliver continuous risk scores for patient triage as well as interpretable rationales that clinicians can verify. Large language models (LLMs) are uniquely positioned for both, deriving risk from their output probabilities and rationales from their medical knowledge. However, we find that conventional LLM reasoning collapses graded risk into overconfident predictions and thereby undermines the cross-patient comparability on which triage depends. We refer to this failure mode as risk polarization and identify two underlying behaviors: early commitment to a single outcome, and one-sided reasoning that focuses onl
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית