Resumen: El diagnóstico clínico requiere la adquisición secuencial de evidencia bajo incertidumbre. Sin embargo, la mayoría de los sistemas de diagnóstico basados en modelos de lenguaje grande (LLM) asumen información del paciente completamente observada y, por lo tanto, no modelan explícitamente cómo se debe adquirir secuencialmente la evidencia clínica a lo largo del tiempo. Incluso cuando el diagnóstico se formula como un proceso de decisión secuencial, sigue siendo un desafío aprender trayectorias de diagnóstico efectivas. Esto se debe a que el espacio de posibles vías de adquisición de evidencia es relativamente grande, mientras que los conjuntos de datos clínicos rara vez proporcionan información de supervisión explícita para las vías de diagnóstico deseables. Con este fin, formulamos el diagnóstico secuencial como un marco de aprendizaje de trayectoria de diagnóstico latente (LDTL) basado en un agente LLM de planificación y un agente LLM de diagnóstico. Para el agente de diagnóstico LLM, las secuencias de acciones de diagnóstico se tratan como rutas latentes e introducimos una distribución posterior que prioriza las trayectorias que proporcionan más información de diagnóstico. Luego, el agente de planificación LLM está capacitado para seguir esta distribución, fomentando trayectorias de diagnóstico coherentes que reducen progresivamente la incertidumbre. Los experimentos en el punto de referencia MIMIC-CDM demuestran que nuestro marco LDTL propuesto supera las líneas de base existentes en precisión diagnóstica en un entorno de diagnóstico clínico secuencial, al tiempo que requiere menos pruebas de diagnóstico. Además, los estudios de ablación resaltan el papel fundamental de la alineación posterior a nivel de trayectoria para lograr estas mejoras.
Publicado originalmente en export.arxiv.org el 7 de abril de 2026.
Ver fuente original
