从繁到精：特征引导下利用大型语言模型进行零样本慢性肾病筛查

一项研究评估了利用大型语言模型（LLaMA-3、Qwen-3、Mistral、GPT-4o-mini）在零样本设置下进行慢性肾病早期筛查的可行性。研究者提出特征引导框架，通过机器学习选择临床有意义且易获取的社区特征子集，将表格病历序列化为文本进行推理。在三个跨国数据集上，选定特征集显著提升平衡准确率和概率估计，达到适合筛查的性能水平。

此前基于机器学习的慢性肾病筛查依赖大型标注数据集、资源密集型病理测试或高维临床特征，难以在社区和资源有限场所部署。该研究证明仅需少量易获取的社区特征，无需训练即可使用LLM达到适合筛查的性能，大幅降低了部署门槛。

通过机器学习从众多临床特征中筛选出紧凑且临床相关的特征子集，再将结构化病历通过标准化提示模板转换为文本序列，使LLM能够无监督地直接推理筛查结果，绕过了传统模型对大量标注数据和昂贵检查的依赖。

该方案可能使初级保健系统和社区诊所无需昂贵设备和专门数据集即可集成AI筛查能力，显著降低数据收集和模型训练成本，并简化产品部署流程。

• 开发面向基层医疗的LLM筛查插件，使用本地电子健康记录中的常见实验室指标进行零样本CKD风险提示
• 设计低成本社区筛查工具，仅需采集年龄、血压、尿常规等易获取特征即可完成初筛
• 将特征引导框架迁移至其他慢性病（如糖尿病视网膜病变）的零样本筛查产品

• 研究中各LLM模型间的性能差异是否具有临床显著性？
• 选定特征子集对更早期（1-2期）CKD的筛查灵敏度是否可接受？
• 真实临床环境中病历序列化带来的隐私与数据标准化挑战如何解决？
• 该零样本方法在不同人群（如种族、地域）间的泛化稳健性如何？