大型语言模型与肝病学家在药物性肝损伤预后预测中的多中心评估

背景与目标：药物性肝损伤（DILI）可能进展为慢性化或死亡。大型语言模型（LLM）可能增强临床决策，但其在DILI中相对于医生的效用仍不清楚。因此，我们评估了它们在预测DILI结局方面的表现。方法：我们纳入了来自三个中心的943例DILI患者作为内部和外部队列。基于12个月随访，结局被分类为恢复、6/12个月慢性化和死亡。LLM（Gemini-2.5 Pro、GPT-5.1、DeepSeek-3.2）、肝病学家（初级、中级、高级）和模型（Hy's Law、nHy's Law、MELD评分）估计结局概率。应用LLM-Rules（VOTE、OR、AND）以增强稳定性。评估了模型性能。结果：对于6个月慢性化，高级肝病学家达到最高AUROC（0.61），准确率为70%。Gemini-2.5 Pro和GPT-5.1的AUROC分别为0.60和0.59，优于初级和中级肝病学家。Gemini-2.5 Pro与高级肝病学家的一致性最强（κ=0.43）。LLM均表现出低于肝病学家的准确性和特异性。在12个月慢性化中观察到类似结果。对于总体死亡率，高级肝病学家达到最高AUROC（0.87），准确率为83%。Gemini-2.5 Pro和GPT-5.1达到AUROC为0.86，优于初级肝病学家、Hy's Law和nHy's Law。GPT-5.1与高级肝病学家的一致性最强（κ=0.25）。LLM-Rules在预测各队列结局方面表现出稳定性。OR和AND规则分别提高了敏感性和特异性。结论：GPT-5.1和Gemini-2.5 Pro在DILI结局中的AUROC接近高级肝病学家，但准确性和特异性有限。LLM-Rules在各队列中表现出稳定性能，并提高了敏感性或特异性，支持多LLM方法作为临床医生监督的补充工具的潜力。