**TRIAGE：利用辩证推理提升LLM对不规则医疗时间序列的风险预测校准与可解释性**

_TRIAGE: Dialectical Reasoning for Explainable Risk Prediction on Irregularly Sampled Medical Time Series with LLMs_

> 大型语言模型（LLM）在基于电子健康记录的临床预警中易产生过度自信的二元预测，导致风险极化，损害校准性与跨患者可比性。TRIAGE框架通过训练LLM生成针对不同临床结局的辩证推理，输出连续风险评分及明确临床逻辑。在三个不规则采样医疗时间序列基准上，TRIAGE平均AUPRC提升3.3%，校准误差降低81%，且临床推理质量经LLM评估比基线事后解释提高20%。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-17 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.09030)