TRIAGE：基于大语言模型的辩证推理用于不规则采样医疗时间序列的可解释风险预测

针对电子健康记录构建的临床早期预警系统，需在提供校准风险评分的同时输出可解释依据。现有大语言模型常将分级临床风险过度自信地简化为二元预测，导致校准失效。本文提出 TRIAGE 框架，训练大语言模型通过对立临床结果进行辩证推理，生成特定结果的推理依据。该方法有效缓解风险极化，使单一模型能基于显式临床推理输出连续风险评分。在三个基准测试中，TRIAGE 平均 AUPRC 提升 3.3%，校准误差降低 81%，且推理质量显著优于基线方法。