arXiv cs.AI· Micha{\l} Remigiusz Janiszewski, Artur Stopa, {\L}ukasz Lenkiewicz, Wojciech Achtelik, Bartosz Gonczarek·· 11 小时前AI 评分38
ALLMTS：基于 LLM 的自动化医疗分诊系统
ALLMTS: Automated LLM-based Medical Triage System
AI 导读
ALLMTS 让 LLM 执行商业远程医疗指南而非直接分诊，在 566 个合成专家验证场景上达到 0.95 准确率，原始 LLM 基线仅 0.47。在开放的 50 场景基准子集上准确率为 0.98，与五名护士专家小组的 0.944 正确分诊率相当。该子集上基线过度分诊率最高达 0.50，ALLMTS 将其降至最多 0.02，同时保持较低的漏诊分诊率。
正文 · AI 翻译
摘要：电话分诊是一项安全关键任务：根据简短的接诊记录，护士必须判断来电者需要救护车、急诊、预约就诊，还是居家自我护理。直接向大语言模型（LLM）提问并不可靠：它们会对常规病例过度升级，且无法依据可审计的临床标准为其建议提供依据。我们提出基于 LLM 的自动医疗分诊系统（ALLMTS），它将每一次处置都建立在护士所使用的、由商业维护的远程医疗指南之上。ALLMTS 并非让 LLM 进行分诊，而是让它执行指南：它选择相应的指南并评估其中的分诊评估问题。处置结果由第一个肯定回答确定性地推出，采用与护士相同的遍历规则。我们在 566 个合成的、经专家验证的场景上评估 ALLMTS，这些场景涵盖 14 种处置结果，并专门设计用于测试特定的指南问题。ALLMTS 达到 0.95 的准确率，而原始 LLM 基线为 0.47。在作为开放基准发布的 50 个精选场景子集上，ALLMTS 达到 0.98 的准确率，与五名护士专家小组在这些相同场景上记录的 0.944 正确处置率相当。关键的是，在该子集上，基线的过度分诊率最高达 0.50（在完整数据集上为 0.44），而 ALLMTS 将过度分诊率降至最多 0.02，同时保持较低的漏诊分诊。这些结果支持将 LLM 的语言理解与可执行的临床指南相结合，用于基于接诊记录的分诊。
| 评论： | 已被 NeurIPS 2026 的 GenAI4Health Workshop 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32469 [cs.AI] |
| （或 arXiv:2610.32469v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32469 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wojciech Achtelik [查看电子邮件]
[v1]
2026年10月23日星期五 10:39:56 UTC（1,539 KB）
来源：arXiv cs.AI · arxiv.org