基于结构化电子病历的临床风险预测模型构建与大模型协同优化目录临床风险预测是智慧医疗的核心任务之一,其目标是根据患者的历史电子病历(EHR)数据,预测未来发生不良事件(如再入院、死亡、并发症等)的概率。结构化电子病历包含诊断码、实验室检查、用药记录等字段,具有高维度、时序性、缺失率高等特点。传统方法依赖特征工程与树模型,近年来深度学习通过RNN、Transformer等捕捉时序依赖取得了更优性能。然而,纯结构化数据丢失了非结构化文本(如入院记录、影像报告)中蕴含的丰富语义信息,而这正是大语言模型(LLM)可以发挥优势的地方。