论文解读 · 2026年10月24日

从结构化记录到面向患者的说明：保持 LLM 健康摘要的临床一致性

From Structured Records to Patient Narratives: Preserving Clinical Alignment in LLM-Generated Health Summaries

在将月经健康记录转换为面向患者的摘要时，应用基于证据约束的提示和 RAG，改善了忠实性和不确定性保留，但可读性下降，证实了这种权衡关系。

问题

将可穿戴设备产生的生理记录转换为患者能理解的语言时，LLM 可能歪曲含义，产生语义漂移。现有医学文本简化研究的设置是把参考文档改写得更易懂，并未涉及以原始数据（结构化观测值）本身为依据来核查忠实性的设置。

方法

用因果 DAG 反映周期、睡眠、心率、HRV、症状之间的依赖关系，构建了500条半合成月经健康记录，并加入了按用户类型设定的缺失和置信度分数。针对 GPT-4o、Qwen2.5-14B、Phi-4-mini，在 Base、约束提示（Constrained）、约束+README 通俗术语定义 RAG（RAG-Constrained）三种设置下生成了4,500份摘要。按忠实性违规、认知不一致（把不确定的内容说成确定）、过度诊断推断、遗漏、紧急程度不一致五类进行评估。评估使用了 PubMedBERT NLI、scispaCy 和 LLM 评审（Claude-3.5-Haiku），同时测量了可读性和专业术语密度。

结果

忠实性违规率均值从 Base 的0.242降至 Constrained 的0.188和 RAG-Constrained 的0.178。GPT-4o 从0.186降到0.152，但 Phi-4-mini 从0.212小幅升至0.220。
三个模型的认知不一致均单调下降（均值0.297 → 0.263 → 0.248）。与不确定性相关的陈述数量反而增加（1.17 → 1.76 → 2.70）。
除去与妊娠相关的解释性提及，过度诊断推断在所有条件下几乎为0（Phi-4-mini 最高0.006）。
遗漏的效果因模型而异。GPT-4o 从0.219（Base）改善到0.130。
作者报告称，临床一致性越好，阅读难度和医学术语的使用就越多。

局限

数据是500条半合成的单日观测，并非真实患者记录，且仅限于月经健康这一个领域。评估依赖 NLI 模型、基于关键词的规则、LLM 评审等自动指标，作者也提到了这些工具的领域局限。没有真实患者或临床医生的评估。约束只在提示层面施加。

意义

用数据表明，在医疗健康应用中用 LLM 生成面向患者的说明时，需要同时考虑忠实性、不确定性表达和可读性。仅靠提示约束和 RAG 就能减少断定性表述，但这与使用通俗语言存在冲突，这是运营层面的启示。

关键术语

语义漂移（Semantic Drift）: 把专业医学内容转换为大众语言的过程中，原意逐渐被歪曲或遗漏的现象。
NLI（自然语言推理）: 判定前提句是蕴含假设句、与之中立还是与之矛盾的任务。用于核查生成文本的事实依据。
原子事实分解（Atomic Fact Decomposition）: 将摘要拆分为不可再分的单元陈述，再逐一验证每条陈述是否有依据支持的方法。
RAG: 在生成之前检索外部知识（此处为医学术语的通俗定义）并放入提示中的方法。

原文

作者: Bayram Ayadi, Florian Geissler, Johanna Schmidhuber · 发布 2026-10-22 · 许可 arXiv 비독점 배포 라이선스 · 基于全文分析

本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。