护士每月5万条咨询，新分诊系统召回率从0.565飙到0.810！
Auditable Emergency Triage for Maternal and Newborn Care in India
📖 AI 总结
印度Noora Health的护士每月通过WhatsApp服务处理逾5万条医疗咨询，其中最具时效性的任务是急诊分诊，即判断哪些咨询需要立即线下就医。原有系统依赖大语言模型直接分类并生成推理链，但存在不透明、难以规模化审查错误、提示词改动需全量重评等问题。为此，研究团队将分诊拆解为两步：由大语言模型依据临床医生编写的词汇表提取规范症状与患者背景，再由确定性规则引擎判定是否属于急诊场景。新系统将召回率从0.565提升至0.810，F1从0.606提升至0.702，准确率提升主要来自结构化规则，而分步设计则带来可审计性，临床专家可逐环节排查翻译、症状提取、背景推断或规则缺失等问题，并能独立新增规则而不引发回归。部署以来系统已分诊152421条咨询，标记28535条（18.7%）为急诊，过度升级率为17.8%，未增加漏诊，临床医生已新增48条规则。
🔑 关键词速览
| 紧急分诊 | 在医疗场景中，快速判断患者病情紧急程度并决定是否需要立即当面处理的过程。 |
| 大型语言模型（LLM） | 一种基于深度学习的自然语言处理模型，能够理解和生成人类语言，用于文本分类和推理等任务。 |
| 确定性规则引擎 | 基于预定义规则进行逻辑判断的系统，其输出完全由输入和规则决定，具有可预测性和可审计性。 |
| 召回率 | 分类任务中，正确识别出的正例占所有实际正例的比例，衡量模型发现紧急情况的能力。 |
| F1分数 | 精确率和召回率的调和平均数，综合衡量分类模型的性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅