研究要点
– GPT-5 在预测当日出院方面的基线表现准确度有限，预测误差的主要来源为医院运营流程相关因素。
– 在推理阶段采用自动化提示词优化后，LLM 的性能显著提升，其预测指标可与既往出院预测模型相当。
– 相较之下，专家主导的提示词工程和测试时扩展带来的提升较小，强调了自动化、数据驱动的提示词优化价值。
研究背景
准确预测住院患者的出院时间，对于优化床位利用、协调急性期后照护以及改善患者流转至关重要。传统预测模型通常依赖结构化数据和人工特征工程。随着 GPT-5 等大语言模型（Large Language Models，LLM）的出现，研究者得以利用非结构化临床文书，并借助先进的自然语言理解能力提升出院预测表现。然而，LLM 在临床运营场景中的适用性仍需严格评估，因为其错误不仅可能源于医学知识不足，也可能源于对医院工作流程的理解不足。
研究设计
本回顾性队列研究于 2025 年 6 月至 12 月在一所三级学术医学中心开展。研究纳入住院的成年患者（≥18 岁），其 2024 年住院，住院时长为 2～14 天。研究随机生成两个相互独立的队列：验证集（n=860）和测试集（n=886）。将 06:00 基准时间点前 30 小时内的临床病程记录和相关文书输入大语言模型，用于预测当日出院。
LLM 的性能指标包括 F1 分数、平衡准确率、灵敏度、特异度、阳性预测值（Positive Predictive Value，PPV）和阴性预测值（Negative Predictive Value，NPV）。研究还进行了定性错误分析，以对 LLM 预测错误进行分类，并重点关注临床合理性及对运营工作流程的理解。评估了三种推理阶段优化策略：测试时扩展（调整预测阈值）、专家主导的提示词工程（由临床医生驱动的提示词调整）以及自动化提示词优化（通过算法选择优化后的提示词配置）。
主要结果
采用标准提示词的基线 GPT-5 在验证队列中的 F1 分数为 0.48，灵敏度为 0.37，提示其预测准确度仅为中等。定性分析显示，误判主要涉及对运营流程因素的理解与整合不足，例如由于待处理的行政手续或床位可用性等非临床因素导致出院延迟。
在各项优化策略中，自动化提示词优化在独立测试集上带来的性能提升最为显著。与基线提示词相比，该方法提高了 F1 分数和灵敏度，但阳性预测值和特异度略有下降，提示假阳性率有所增加，但对真实出院病例的捕获能力更强。相比之下，测试时扩展和专家主导的提示词工程仅带来了有限的性能改善。
自动化提示词优化后，LLM 出院预测性能已接近既往传统出院预测模型所报告的结果范围，提示其在临床场景中具有一定实践价值。
专家点评
本研究强调了将基于 LLM 的方法整合到医院运营流程中的复杂性。尽管 LLM 具备广泛的医学知识，但若要成功应用于出院预测，仍需对影响患者流转的机构特异性和流程驱动因素进行建模。自动化提示词优化可根据情境细微差异动态调整模型输入，从而减少人为偏倚并提高适应性。
本研究的局限性包括单中心回顾性设计，可能限制其在其他运营约束不同的医院环境中的推广性。未来有必要开展前瞻性验证，并结合实时工作流程数据进行校准。此外，在提高灵敏度与维持特异度之间取得平衡仍是一项临床权衡，尤其在假阳性可能增加出院计划资源负担的情况下更是如此。
结论
本研究表明，GPT-5 等大语言模型能够以中等水平的基线准确度预测当日出院，其主要限制并非医学知识缺陷，而是对运营工作流程理解不足。推理阶段的自动化提示词优化可显著提升预测性能，显示其有望支持出院计划与医院周转效率提升。未来研究应聚焦于整合实时工作流程数据，并在不同临床环境中扩展模型个体化能力。
资金支持与临床试验
已发表研究未报告具体资金来源或临床试验注册信息。
参考文献
Spagnoli J, Guzman NM, Desai K, et al. Optimizing Large Language Models for Hospital Discharge Prediction. J Gen Intern Med. 2026 Sep 15. PMID: 42745147. Available from: https://pubmed.ncbi.nlm.nih.gov/42745147/
Nguyen PA, Kabaliuk N, Malin B. Predicting Hospital Discharge: Challenges and Opportunities. J Am Med Inform Assoc. 2023;30(2):233-241.
Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380(14):1347-1358.
Sendak MP, D’Arcy J, Kashyap S, et al. A Path for Translation of Machine Learning Products into Healthcare Delivery. EMJ Innov. 2019;3(1):1-5.
