大型语言模型用于健康检查结果的解读

大型语言模型（LLMs）展现出强大的泛化能力，但其解释结构化医疗数据的能力仍未得到充分研究。本研究利用韩国国民健康保险服务提供的综合健康检查数据，评估了四种LLMs——Claude Sonnet 4、Gemini 2.5 Pro、GPT-4o和LLaMA 3.1-70B。测试了多种提示策略（少样本、基于角色、基于约束和思维链）。零样本准确率平均为0.69（SD 0.06），使用组合策略后提升至0.92（0.06），使用思维链后提升至0.95（0.07）。Claude Sonnet 4、Gemini 2.5 Pro和GPT-4o获得了最高的准确率（≥ 0.98），而LLaMA 3.1-70B表现出较低但可改进的性能。对10,000个案例的项目级分析表明，对于大多数生化指标，包括葡萄糖、胆固醇、甘油三酯和肝酶，准确率接近完美（0.99-1.00）。相比之下，血压的准确率较低（0.61-0.91），且随年龄增长而下降，这可能是因为需要整合收缩压和舒张压值的多类别阈值较为复杂。亚组分析揭示了模型特定的偏见：在体重指数（Claude Sonnet 4）以及尿蛋白、血清肌酐和γ-谷氨酰转移酶（LLaMA 3.1-70B）中观察到与性别相关的偏见；而在血压（Claude Sonnet 4、Gemini 2.5 Pro）以及低密度脂蛋白胆固醇和血红蛋白（LLaMA 3.1-70B）中识别出与年龄相关的偏见。总体而言，先进的提示策略显著提高了模型性能，顶级LLMs展示了强大的解释能力，但对于血压等具有复杂临床语义的变量仍需谨慎。