arXiv cs.CL· Bayram Ayadi, Florian Geissler, Johanna Schmidhuber·· 12 小时前AI 评分29
从结构化记录到患者叙事：LLM 生成健康摘要如何保持临床对齐
From Structured Records to Patient Narratives: Preserving Clinical Alignment in LLM-Generated Health Summaries
AI 导读
研究提出一种结合结构化证据条件与 RAG 的约束生成框架，用于月经健康监测中的证据支撑型健康摘要。在三个 LLM 生成的 4,500 条摘要上，显式 grounding 约束持续提升临床对齐，尤其改善不确定性保留，并在对照检索证据评估忠实度时总体保持或提升忠实度，但遗漏情况因模型而异。临床对齐的提升以阅读难度和医学术语增加为代价。
正文 · AI 翻译
摘要：随着可穿戴与数字健康系统日益产生纵向生理记录，用患者可理解的语言传达这些观测结果仍是一项重大挑战。大语言模型（LLM）为将结构化临床信息转化为可读叙述提供了一种有前景的机制，但这一过程可能引入语义漂移，即在简化过程中扭曲了临床精确含义。我们研究面向月经健康监测的、基于证据的健康摘要，采用一种受限生成框架，将结构化证据条件与基于提示的受限生成框架下的检索增强生成（RAG）相结合。我们使用自然语言推理（NLI）、原子事实性指标和可读性度量来评估语义对齐。在三个 LLM 和 4,500 份生成的摘要中，显式接地约束持续改善临床对齐，特别是通过改善不确定性保留；并且一旦基于检索到的证据评估忠实性，通常能保持或改善忠实性，而对遗漏的影响则因模型而异。我们还发现，临床对齐的改善以阅读难度增加和医学术语增多为代价。这些发现凸显了在开发面向患者的医疗 LLM 系统时，需要联合评估忠实性、不确定性保留和可读性。
| 评论： | 18 页，3 幅图 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.31467 [cs.CL] |
| （或 arXiv:2610.31467v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31467 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Bayram Ayadi [查看电子邮件]
[v1]
2026 年 10 月 22 日星期四 15:58:57 UTC（1,697 KB）
来源：arXiv cs.CL · arxiv.org