问题
肿瘤科医生和晚期癌症患者经常需要回答
目标用户
肿瘤科医生、缓和医疗(palliative care)团队、以及希望了解预后的患者本人。两篇 arXiv 论文都指出 clinicians and patients using LLMs for medical risk assessment 是真实用户群，痛点强度评分 4/10(医生端)。市场规模中等：每个大型肿瘤中心都有此需求，但属于低频、高风险决策场景。
解决方案
- 病历结构化:自动从医院 EHR 导出或手动输入患者协变量(年龄、分期、治疗方案、实验室值等)
- 临床短文(vignette)生成:把结构化数据自动转写成自然语言临床短文，这是论文验证有效的 LLM 预估输入格式
- 生存期预估:调用前沿 LLM(如 GPT-5.6-Sol),返回中位生存时间和 cMAE 置信评估
- 一致性校验:对同一患者多次采样或多个模型预估，自动标记
MVP 范围
第一版只做:网页表单输入患者协变量 → 自动生成临床短文 → 调用 LLM 返回带置信区间的生存期预估 → PDF 报告导出。明确不做:EHR 集成、自动诊断、治疗建议、药物推荐、直接面向患者使用，也不做任何疾病以外的预后预估。
风险
- 监管风险最大:生存期预估极可能被归类为临床决策支持软件，受 FDA/NMPA 医疗器械软件(SaMD)监管，未经审批直接商用风险极高
- 模型一致性风险：论文明确指出 LLM 在不同癌种和机构间表现不稳定，意味着产品输出质量难以保证
- 医生信任风险：cMAE 虽然接近 RSF,但
已有产品
| 产品 | 定位 | 价格 |
|---|---|---|
| Survprompt | same_problem | — |
| MSK-CHord | same_problem | — |
| Providence St. Joseph Health Network | same_problem | — |
| GPT-5.6-Sol | same_problem | — |
| random survival forests (RSF) | adjacent | — |
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。
arXiv cs.CL10月1日痛点
“Zero-shot LLMs can generate surprisingly accurate prognostic estimates without specialized training, but their variable performance across cancer types and institutions remains an important limitation for clinical use.”
LLMs show inconsistent survival prediction accuracy across cancer types and institutions and poorly discriminate between high- and low-risk patients, limiting clinical use.原文
arXiv cs.CL10月1日新能力
“Frontier LLMs achieved surprisingly competitive cMAE for individual survival times.”
Frontier LLMs can generate surprisingly accurate zero-shot survival predictions from clinical vignettes, though their performance is inconsistent across cancer types and institutions.原文