Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Модель научили выбирать нужные части электронной медкарты и оценивать по ним риск после поступления пациента в отделение неотложной помощи. TIR-EC на базе Qwen3-4B обошёл все сравниваемые системы по среднему F1 в препринте, который не прошёл рецензирование и содержит замеры самих авторов. Для продуктовой команды это не готовая клиническая модель, а схема, которая связывает поиск данных и прогноз через одного обучаемого агента.
Доступ ко всей медкарте не решает задачу выбора признаков
Обычная LLM получает показатели, результаты анализов и записи врачей в одном контексте, но не обязательно понимает, какие сведения нужны для конкретного прогноза. Дополнительные данные иногда даже мешают: модель замечает яркую аномалию, игнорирует спокойную совокупность остальных показателей или неверно трактует пограничное значение.
Работа разделяет эту проблему на две части. Сначала модель должна выбрать информативные группы признаков: например, показатели жизнедеятельности, назначения или лабораторные результаты. Затем она должна понять, как конкретные значения меняют вероятность госпитализации, ухудшения состояния или повторного обращения.
Предварительный разбор ошибок показал, что одной правильной выборки недостаточно. Даже получив признаки, которые выбрал ансамбль решающих деревьев с градиентным усилением, Qwen3-4B часто придавал им неверный вес. В одном примере модель сочла пограничные показатели безопасными, хотя их сочетание указывало на высокий риск.
Проверку провели ретроспективно на MC-MED: наборе из 118 385 посещений взрослыми пациентами одного отделения неотложной помощи. Единая модель решала три задачи — прогнозировала госпитализацию, последующее ухудшение и повторное обращение. Такой масштаб позволяет сравнить методы внутри одного процесса, но ещё не показывает переносимость между больницами.
Дерево одновременно учит выбирать инструменты и рассчитывать риск
TIR-EC не передаёт модели всю запись сразу. Сначала она видит демографические сведения, показатели при сортировке и основную жалобу. Остальные данные доступны через 18 функций, каждая из которых открывает отдельную группу сведений; за один прогноз агент может сделать до 12 вызовов.
Перед обучением LLM на тех же данных строят модель из решающих деревьев. Она определяет, какие группы признаков полезны для каждой задачи, и выдаёт оценку риска пациента. Эти сигналы входят в награду при обучении с подкреплением.
Награда учитывает три вещи: корректно ли агент вызвал функции, совпали ли выбранные группы с важными для дерева и насколько итоговая вероятность близка к целевой. Если дерево ошиблось в классе, его вероятность обрезают на границе решения, чтобы LLM не училась повторять неверный ответ вопреки известному исходу пациента.
Отдельный механизм передаёт модели короткие клинические правила: какие сведения проверять и как их значения связаны с риском. В начале обучения правила полностью находятся в запросе, затем из него постепенно удаляют отдельные предложения. На проверке подсказок уже нет, поэтому модель должна сохранить закономерности в своих весах, а не искать их в постоянной инструкции.
Так дерево отвечает не вместо LLM, а служит учителем. Оно передаёт статистические зависимости из табличных данных, тогда как языковая модель сохраняет доступ к текстовым деталям, которых дерево не видит: содержанию назначений, диагнозов и радиологических заключений.
Архитектурный приём полезнее готовой клинической модели
Средний F1 у TIR-EC составил 53,1. Эта метрика объединяет точность положительных прогнозов и полноту, а усреднение даёт каждой задаче одинаковый вес. У XGBoost результат равнялся 48,5, у Claude Opus 5 — 47,6, у исходного Qwen3-4B с инструментами — 37,1.
Разбор отдельных случаев показывает, откуда берётся разница. Для пациентки с переломом конкурирующая модель сосредоточилась на низком гемоглобине и выбрала госпитализацию. TIR-EC сопоставил эти признаки со стабильными показателями и характером назначений, после чего правильно предсказал выписку. В другом случае он остановился после проверки основных показателей, тогда как более крупная модель продолжила открывать лабораторные данные, снимки и сигналы, но пришла к тому же ответу.
Работа меняет планы команд, если продукт уже сочетает структурированные показатели, свободный текст и функции доступа к данным. Вместо обучения LLM сразу по конечной метке можно сначала построить интерпретируемого табличного учителя, превратить источники признаков в явные инструменты и награждать агента одновременно за выбор сведений и прогноз.
Перенос потребует заново сопоставить функции со схемой конкретной медкарты и обучить учителя на локальных данных. Политика TIR-EC может унаследовать корреляции своего набора, а сгенерированное рассуждение не служит надёжным объяснением решения. Проверка была ретроспективной, поэтому перед клиническим применением нужны внешняя и проспективная оценка, настройка вероятностей, контроль задержки и участие врача.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
