大语言模型化身临床预测多面手，统一处理文本与结构化数据

电子健康记录通常包含临床叙述文本与生命体征、实验室数值、合并症等结构化数据。传统临床预测系统需要为每种数据模态设计专用编码器，并针对每个新任务和临床场景重新构建复杂的融合机制，过程繁琐。

最新研究提出了一种更简洁的解决方案：将所有患者数据，无论其原始模态如何，统一转化为单一的自然语言序列。随后，研究人员直接对预训练的大语言模型进行端到端微调，无需为数据融合修改模型架构。该方法在三个临床预测任务上进行了验证：MIMIC-III数据集上的院内死亡率预测、德国移植中心纵向数据上的移植物衰竭预测，以及急救车记录中的急诊分诊分类。

研究对比了基于编码器（ModernBERT）和基于解码器（Llama 3.1、Gemma、DeepSeek-R1-Qwen、Qwen3）的微调方法，并与现有的多模态基线模型以及移植物衰竭预测中临床实际使用的梯度提升模型进行了比较。结果表明，在所有三个任务中，这种统一的文本序列化方法均达到或超越了为特定任务设计的复杂多模态基线模型的性能，并且在移植物衰竭预测上表现优于临床已部署的梯度提升系统。

这些发现意味着，一个基于简单序列化的统一范式，足以胜任多模态临床预测任务，能在匹配甚至超越专门设计的同时，大幅降低系统复杂性。这为临床人工智能应用的开发提供了更高效、更通用的新思路。