关于患者医疗偏好的研究，早在2014年，Rid和Wendler等
［1］就呼吁提出了“患者偏好预测器”（patient preference predictor，PPP）的概念。这是一种基于计算机的算法，用以补充（或替代）常规代理决策过程的关键方面。其特点是基于大规模人口的自愿调查，将被调查者数据信息（基本信息及不同假设医疗情境中的偏好选择信息）与能够代表目标群体参与者的医疗偏好相关联，并根据相关性构建一种算法以辅助医疗决策。而后在2024年，Earp等
［2］提议将PPP扩展为个性化版本，提出了个性化患者偏好预测器（personalized patient preference predictor，P4）。其目的是研究理论上是否有可能对未登记预先指令的无选择能力患者产生基于人工智能技术的替代判断。其实现方式是将机器学习与微调的大语言模型（large language model，LLM）相融合。通过对患者的个性化样本数据进行训练和分析，以提取患者的医疗偏好。由此可见，对患者医疗偏好的预测，在现代人工智能技术的支持下已经进入新的研究阶段。但在取得进展的同时，P4也面临着理论、技术及伦理方面的困境。因此，加强对P4应用困境的反思，是实现P4更好地为人类社会服务的重要路径。
1 个性化患者偏好预测器的应用困境
个性化患者偏好预测器的应用困境，主要表现在理论困境、技术困境以及由此引发的伦理困境三个方面。
1.1 理论困境：归纳推理与类比推理的风险性
理论上讲，现代医疗决策支持系统（medical decision support system，MDSS）基本是在归纳推理和类比推理的指导下实现的。通过发掘目标对象与参考对象之间的关联性进行医疗辅助决策。这些参考对象或是先前建立的（有监督系统）或是由系统本身生成的（无监督系统）。然而，在逻辑方面，归纳推理存在着样本偏见、限制性假设及结论的或然性等缺陷；类比推理也存在着弱相关及巧合等情况。这使得P4的应用面临着巨大的理论困境。
一方面，归纳推理不具备逻辑必然性。归纳推理的模式是基于统计概率和经验规律。按照Karl Popper的说法，归纳逻辑的最大问题就是无法从单称陈述归纳出普遍陈述
［3］。也就是说，无法保证由单称陈述得出的推论具有普遍适用性。因此，其结论不具备逻辑上的必然性。虽然这种方法在临床试验数据的统计分析中得到了广泛应用，并取得了显著的成效。但将这种方法用于临床决策的时候，就会表现出明显的不足。主要表现在样本数据在多大程度是必然有效的，预测结论是否真实地反映了患者内心偏好等。尽管在研究中运用了诸如置信区间、相对或绝对风险降低和似然比等概念来保证样本的有效性。但基于这种分析做出的论断不仅适用于研究个体，还可能适用于所有的目标群体。
另一方面，类比推理存在弱相关性。类比推理主要依据对象间属性的相似性进行推论，往往忽略了对其他属性或本质属性的参考。这样不仅降低了推理能力和结论的可靠性，还使得一些弱相关的结论被当作论据。如在医疗实践中，就有可能将行为数据作为直接证据应用于患者偏好预测。然而，预测的重点是要与患者的心理偏好相一致
［4］。但心理状态不是由行为决定的，行为数据只能为信仰或价值观提供推论支持。因此，从某种程度上说，行为数据与心理偏好会呈现某种弱相关性。这样通过对行为数据进行分析，就有可能导致预测失效。例如，某个体会在日常行为中表现出对临终患者使用呼吸机的倾向。基于此，P4可能会预测该个体在临终时具有同样的偏好。但这种预测是否有效，还要根据患者临终时的信念来确定。据此，由于在理论上无法保证逻辑必然性和相关性，使P4在技术上面临着巨大的困境，同时也为伦理困境埋下了隐患。
1.2 技术困境：预测精确性、过程解释性与功能评价性不足
技术的运用离不开理论的指导。P4在理论方面的缺陷，引发了其在技术上的困境。
1.2.1 预测精确性不足
LLM在处理自然语言方面无疑是进步的，因为该模型可以在非常一般的目标上进行训练。如可以根据数据语料库，对句子中即将出现的下一个单词进行准确预测
［5］。按Earp等
［2］的说法， LLM在反应任务和零样本学习中是非常成功的，但是在临床实践方面，其准确性还有待提高。一方面，归纳推理蕴含着假设论证。在应用中表现为，或者假设P4基于患者个性化样本数据做出的预测，都如实地反映了患者的真实偏好；或者假设通过对患者进行虚拟场景训练得出的结论均表达了其真实意愿。然而，这种假设具有明显的主观性。其结论的客观性和精确性有待考证。另一方面，偏好预测主要基于统计概率，即通过对样本分析所表现的概率倾向进行预测。这就忽略了对文本内容在不同语境下的解读。而研究显示，即使对提示的微小变化，也会对其预测产生重大影响
［6］。如有时候会产生相互矛盾的输出，或者相互排斥的立场，或者基于敏感性而引发的关于道德问题的判断等。
1.2.2 过程解释性不足
MDSS通常被认为是“黑盒人工智能”，因为它基于我们无法理解或解释的操作来产生决策
［7］。虽然P4的假设模型利用了人工智能技术的进步。但对该系统的运作机制，即LLM是如何加工文本数据，如何进行内容关联以及如何进行偏好预测等问题并没有给予解释说明。甚至可能连设计者也无法理解和解释为什么会产生这样的输出。这种情况对个性化预测的所有概念都提出了严峻的挑战。除此之外，P4的预测主要基于患者提供的个性化文本数据。但主体偏好的表达有时通过一些非语言的形式，如手势、面部表情，以及在社交媒体上使用的表情符号等。不仅如此，主体的偏好还受到其主观信念及价值体系的影响。因此，如何实现对预测过程的解释和非语言形式数据的处理，成为对P4最大的挑战。
1.2.3 功能评价性不足
功能的评价性主要强调对P4服务体系的评价，主要包括辅助引导体系和能力评价体系。P4的功能主要是通过微调的LLM对患者偏好进行预测。但在应用中，并没有对P4的操作流程、应用风险及注意事项等进行说明。明显表现出在引导服务体系方面的不完善。如此，不仅降低了患者对P4的选择意愿，还进一步加剧了P4的应用困境。在能力评价方面，鉴于P4的预测机制是不可证伪的。因此，如何实现对P4功能的评价和改善，便成了新的难题。更重要的是，这种不可证伪性还可能会导致患者主体、家属或医护人员对P4预测结论的过分依赖，致使患者主体自主性地位消减，从而使P4在应用中陷入伦理困境。
1.3 伦理困境：主体自主性地位的消减
主体性地位的消减主要表现在三个方面：主体价值情感的疏漏、主体选择能力的削弱及主体自由意志的弱化。
1.3.1 主体价值情感的疏漏
价值情感是主体自主性的重要组成部分。概念上表述为一种将自我意识与换位思考相结合的能力，也是一种能够引发同理心与共情的能力。在实践中，价值情感主要渗透在主体的价值选择和推理决策中。正如Entwistle等
［8］的表述，尊重自主性意味着理解和应用患者偏好背后的个人推理，通过患者的理性思维和经验表述使其成为可能。而这一点在P4的应用中没有得到很好地体现。
首先，P4作为一种机器模型，无法理解支撑患者偏好的原因和价值观
［9］。尽管在强化训练中，LLM通过识别语法规则生成表达式序列，并赋予语义。但是没有任何证据可以说明LLM真正地理解了表达式的内容，以及该表达式的内容解释了偏好的原因，继而也就无法确定该偏好是遵循患者自主性作出的选择。
其次，到目前为止，数字实体还远远没有发展出能够充分尊重人类自主性的特征
［10］。一方面，P4作为人工智能模型，在原则上还不能承担医疗价值判断中所固有的伦理责任，即当预测出现错误时，何人来承担伦理责任？更关键的是，这不仅仅是责任扩散或者责任缺失的问题。另一方面，尊重自主性就是要尊重主体情感的表达。P4虽然可以通过对患者语言材料的加工生成具有较高置信度的推论。但是，作为一种模型，其无法感觉到疼痛、意识的丧失以及对死亡的恐惧。因此，P4是否真实地反映了患者的价值情感，具有较强的模糊性。退一步说，即便P4作出了精准地预测，但将命运交给一个智能决策系统，这已经是对自主性的一种侵害。
1.3.2 自主选择能力的削弱
除了价值情感，主体自主性还包括主体可根据自身的核心利益进行自主选择的能力。根据Dworkin
［11］的表述，个人利益包含两种：一种是能将长期形成的价值观转变成现实的核心利益；另一种是代表着某种体验的经验利益。尊重自主选择能力就是当主体的核心利益与其他利益产生冲突时，尊重主体根据自身核心利益做出的选择。然而这种选择能力在P4应用中存在着被削弱的风险。
一方面，P4无法实现对患者核心利益的动态分析。通常情况下，患者的核心利益反映在患者的价值体系中。而价值体系会在新体验的影响下不断地发生变化。因此，患者的核心利益在不同时期会呈现出明显的差异性。例如，患者在不同时期对死亡的态度等。就当前的技术发展而言，P4只能通过对患者提供的个性化样本数据进行强化训练，之后通过微调的LLM进行预测。无法展开对不同时期患者价值体系的动态描述，也就无法实现对患者核心利益的动态分析。而核心利益是患者进行自主选择的依据。据此，患者的自主选择能力面临被削弱的风险。
另一方面，LLM的强化训练弱化了主体的选择意识。通过LLM对个性化数据进行训练是P4进行偏好预测的重要环节。这种训练会随着样本数据的不断扩大而得到强化。这种强化的后果是主体的选择意识由于高置信度的结论而被弱化，最终导致患者对自主选择权利的放弃。然而，个性化样本数据存在明显的结构问题，即非体系化。再加上缺乏对患者心理状态的解读，使得这种预测具有明显的片面性。尤其是在一些特殊的事例中，对主体选择能力的削弱表现得更为突出，例如公众对临终问题的知识和误解存在明显差距
［12］。如果仅凭借对样本数据的强化训练做出论断，多数情况下，主体的自主选择能力就会被完全剥夺。
1.3.3 主体自由意志的弱化
自由意志就是主体不受外部因素影响，自由表达欲望或意愿的能力。在医疗中，患者的自由意志就是指患者根据医疗过程中潜在的风险，自由地选择接受还是拒绝治疗的意愿。然而对于P4来说，一方面，无法识别患者对医疗中潜在风险的态度；另一方面，缺乏对患者欲望解读的心智模型。致使患者的自由意志存在被弱化的风险。
首先，P4无法识别患者对医疗中潜在风险的态度。医疗风险主要包括安全风险和隐私风险。安全风险是指治疗过程中对患者生命安全潜在的隐患；隐私风险是指患者个人隐私泄漏的隐患。在医疗中，安全风险直接影响着患者的治疗态度和意愿。而P4只能进行偏好预测，无法识别患者对潜在安全风险的心态。此外，在隐私方面，P4的预测主要基于患者的个性化信息，如数字媒体中的个人数据，以及患者的健康记录和治疗记录等
［2］。鉴于当前P4在技术方面发展还不充分，使得患者面临隐私泄漏的风险。基于此，患者可能对P4以及由其作出的预测持拒绝态度。而这种态度在P4的应用中无法得到识别。据此，患者主体的自由意志将会被削弱。
其次，按照Frankfurt
［12］的表述，人的欲望分为一级欲望和二级欲望。一级欲望是指主体想要做某事的倾向；二级欲望是指主体对一级欲望所持有的态度。而尊重自主性，就是帮助别人按照其二级欲望行动。而当前，P4只能依据个性化样本数据对患者的一级欲望进行预测。如某患者可能在社交媒体中频繁表示，宁愿选择死亡，也不愿遭受严重的脊髓受伤。基于此，P4预测当患者患有严重的脊髓损伤时，其欲望表达为放弃治疗。而许多经历过这种疾病的人表示，他们的生活质量超过了原来的预期
［14］。因而，此时患者的欲望可能表达为对一级欲望的否定，即接受治疗。但由于P4无法实现对二级欲望的解读，致使患者的自由意志遭到削弱。
2 个性化患者偏好预测器应用困境的化解路径
个性化患者偏好预测器应用困境的化解路径，可以从理论方面、技术方面以及伦理方面进行探寻。
2.1 引入实质归纳理论和实质类比理论的理论化解路径
Norton
［15］在2003年提出了实质归纳理论。其核心思想可以表述为，一是所有归纳法都是局部的，即对规律的总结，都仅限于特定领域内获得的事实；二是没有普遍的归纳推理规则，即对归纳推理的保证，不是某种归纳模式，而是在局部内获得的逻辑事实。因此，可以通过引入实质归纳理论来增强推理能力。
首先，实质归纳理论可以增强归纳推理的可靠性。传统的归纳推理模式是通过不断地积累证据材料，来增强其推理能力。积累的材料越多，推理能力越强。但该推理模式在论证中明显地表现出材料收集和推理模式的分割性。也就是说，该模式的推理能力并没有随着材料的不断积累而得到强化，而仅仅表现出对现有推理模式的扩展。再加上归纳过程具有无限性特征。因此，由该推理模式得出的结论具有明显的不稳定性和不确定性。而实质归纳理论的推理模式则不同，它把二者的关系描述为：互相联系、不可分割的整体
［15］。即推理模式随着材料的不断积累而得到不断地强化。只要满足该推理模式取自局部，并仅应用在特定领域的事实中，便可以管控归纳模式的风险。质言之，可以通过将归纳模式的风险转化为实质假定的风险，来降低其潜在的风险性，因为实质假定具备更高的可操控性
［16］。在实践中表现为，如果个性化数据是在患者特定时间内获得的，那么按照实质归纳理论，其就具有较强的可靠性。前提是该数据取自患者在正常状态下的表现，并与其心理承诺具有较强关联性。例如，对临终患者治疗偏好的预测，就可以通过P4对近期患者关于死亡问题相关数据的分析获得。由此可知，实质归纳不仅为归纳理论带来了新的生命力，同时也为P4的应用提供了理论上的辩护。
其次，实质类比理论可以提升类比推理的关联性。实质类比理论是对实质归纳理论的模仿。在实质类比理论中，包含着两个重要的概念，分别是类比事实和类比事实保证类比推理。类比事实指的是一种当两个系统的属性相似时出现的事实性事态。其对应的精确模式表示为事实的一部分。而类比推理指的是如果两个系统存在着可以进行类比的事实，便可以依据这个事实进行推论
［17］。不难发现，可以进行类比的事实是实质类比理论的核心。同样，实质类比推理也蕴含着两个核心思想，一是不存在一个普遍的相似原则；二是推理能力的强弱是由可类比的事实决定的。实践中表现为，可以通过引入实质类比理论来提升患者个性化数据间的关联性，以提升P4预测的准确性。例如，可将患者的语言数据和行为数据视为两个系统，当语言数据和行为数据都反映了同一个事实，那么就可以断定该两组数据具有较强的关联性，可以用于对患者偏好的预测。
总之，通过实质归纳理论和实质类比理论的引入，不但夯实了P4应用的理论基础，同时也为技术困境的化解提供了理论支撑。
2.2 技术融合—结论聚焦—评价体系建设的技术化解路径
对技术困境的化解主要从技术实现方式，审查视角以及评价体系建设三个方面进行。
2.2.1 由技术替代转向技术融合
按照Earp等
［2］的说法，P4是PPP的扩展板。其特点是基于患者的个性化数据，而不是人口数据。尽管如此，P4仍存在着无法处理非语言数据材料及无法证明预测的客观性等弱点。因此，实施由技术替代转向技术融合，不仅能够克服假设论证的弊端，还能够提升预测的精确性和客观性。
技术融合主要指建立数据分析网络，进行综合预测。PPP是依据在多个研究中得到证明的经验关系。其特点为，通过数据的横向关联对患者偏好进行预测，但弱点是缺乏精确性。而P4的预测是基于患者所提供的个性化样本数据，相较于PPP具有明显的优势，但弱点是缺乏辅证。因此，可以通过技术融合，建立数据分析网络来提升预测的精确性。首先可以通过P4对患者的个性化样本数据进行分析和预测，得出结论A；其次通过PPP将患者数据与参考样本数据进行对比和关联，得出结论B；最后将两组结论进行整合，如果两组结论具有较高的一致性，则说明P4的预测具有较高的精确性。如果一致性较低，就要通过其他预测方式进行再一次验证。
需要说明的是，在建立数据分析网络的同时，要辅之人工干预。一方面，能够对预测的精确性进行评估和提升；另一方面，人工干预可以明确P4在应用过程中的伦理责任，实现人类对技术的伦理监督。
2.2.2 从过程解释转向结论聚焦
对P4可靠性的质疑，主要是依据P4无法对预测过程提供系统的解释说明。但就目前看来，该问题很难从其内部得到解决。首先，P4不是一种机械装置，无法从其构造来探寻工作原理；其次，对程序的解读和理解也只限于对研发者才有意义；最后，P4最大的现实意义是实现精准预测。因此，化解该问题最好的方式就是转变对P4的审查视角，即从过程解释转向结论聚焦。于是对样本数据的筛选、校对，以及对结论的辅证和评估就显得尤为重要。
第一，对样本数据的筛选和校对。在个性化样本数据采集后，强化对其筛选和校对是保证数据可靠性的关键。在筛选方面，特别注意行为数据的干扰以及患者信息来源的时间。通常情况下，时间越近的数据，越能反映当前患者的偏好。同时，要积极参考由患者家属提供的有关患者偏好的信息。在校对方面，可以综合采用实质归纳理论和实质类比理论的思想。重点加强对限定时间内所采集数据的选择和关联。此外，还要认真对待患者家属对样本数据的评价和建议。不仅如此，还要重视提前输入的预先指令。预先指令可以有效地帮助对样本数据的筛选和过滤，最大程度的保证样本数据真实有效。
第二，对预测结论的辅证和评估。对预测结论的辅证，主要强调与训练数据的对比。训练数据是指在患者具备决策能力的情况下，对其在不同假设训练中偏好的记录。如果预测的结论与训练数据具有高度的一致性，那么就可以认定P4预测的结论具有较高的置信度。对预测结论的评估，主要指综合运用多种设备进行预测，而后将P4的预测结论与其他设备的预测结论进行对比，以衡量其预测的准确性。但需要注意的是，要特别加强对患者从没有明确回答问题的处理。针对这种情况，或者从开始就在算法中输入假设程序
［18］；或者输入由PPP所产生的参考数据等，以此来提升结论的可靠性。
2.2.3 由决策依赖转向体系评价
对预测结论的过分依赖，就会导致辅助决策演变为权威裁决。因此，要加强评价体系的建设，通过推动引导功能和评价功能的完善，来增强P4应用的可行性。在实践中，借助高精度的预测来减少患者的决策遗憾，是P4应用于医疗事业的主要任务和目标。但也要认识到，预测精度并不是衡量P4效能优劣的唯一标准。从实践的角度来说，一个好的预测系统除了能够进行准确预测之外，还应具备良好的辅助引导系统和能力评价系统。辅助引导系统主要是指对P4应用的系统说明（见
表1），它类似于一种“插入包”，主要用于解释P4的功能、操作流程以及应用风险等内容
［19］。这样用户可以通过引导说明对P4形成客观认知。不仅可以促进患者意愿的表达，还可以降低对其结论的依赖。
在能力评价方面，主要强调对P4预测能力的评价，尤其是对临床数据的分析和预测。在临床数据分析中，嵌入P4的应用，在一定程度上可以提高工作效率。但是鉴于当前P4的预测机制具有不可证伪性。因此，对P4能力的评价，要突出人工评价和其他预测方式的辅助评价。即通过对P4在多次实验中的表现，来评估P4的预测能力。而后根据差异性探寻问题的根源并给予记录，这样不仅有助于提升P4的预测能力和预测准确性，还为P4的进一步研究提供材料支撑，助力其功能和机制的完善。
总之，通过技术融合、结论聚焦以及评价体系的建设，不仅强化了P4应用的可行性，化解了其技术困境，还为伦理困境的解决做了铺垫。
2.3 明确人类主体性地位优先的伦理化解路径
总的来说，伦理困境的化解主要是明确人类主体性地位的优先。包括主体的价值情感、主体的选择能力以及主体的自由意志三个方面。
2.3.1 创建心理模型，寻求价值解读
通过P4创建心理模型是实现对主体价值情感解读最有效的途径。其目标不是根据主体表达偏好的频率来进行预测，而是通过评估主体偏好所表现出的价值对主体的重要性，来揭示其真实偏好。在创建方式上，首先通过LLM对行为数据（不参考语言数据）进行分析，其次对结论进行不同维度的刻画，最后依据结论生成具有多维度参考数值的心理模型。这个过程，类似于道德人工智能的操作方式，即从对一个主体明确输入的行为和陈述中提取其价值取向，并检索最适合这些价值选项的“大数据”
［2］。而后通过LLM使其隐性价值明确。
需要说明的是，心理模型的创建离不开理论、技术及伦理原则的支持和指导。如前文所述，在理论基础方面，实质归纳理论的引入将推理模式应用于特定的事实领域。这样便保证了患者信息数据的有效性，继而提升了其预测结论的精确性；在技术应用方面，数据分析网络的创建也进一步加强了预测结果的可靠性；在伦理方面，心理模型的创建是为了加强对患者主体价值体系的解读。因此，尊重患者主体自主性，切实做到患者实质性的自主是心理模型创建成功与否的关键。
2.3.2 实施交互决策，强化自主选择
尊重主体对核心利益的选择是尊重主体自主性的重要方面。然而在实践中，P4无法实现对其核心利益的动态分析，继而导致患者自主选择能力的减弱。为此，可通过实施交互决策，来实现对患者自主选择能力的维护。主要包括两个方面：一是实现数据互鉴；二是强调预先指令。
首先，实现数据互鉴。数据互鉴是指样本数据的补充和借鉴。从医疗单位方面来看，要加强对患者在不同时期的偏好数据采集。通过心理问卷或者系统测试等方式，对患者在不同时期关于敏感问题（如死亡等）的态度进行整理并记录。从技术方面来看，通过技术干预扩展P4的功能。如增加P4作为对话反射提示器的功能，允许用户通过自我询问的方式进行偏好或价值观的报告和登记，并且允许其在预先指令中出现。如果效果显著，不但可以帮助患者实现自主选择，还可以在更具有挑战性的预测中发挥作用。从家属方面来看，要明确患者家属在偏好预测中的作用。尽管患者家属所提供的信息不能完全代表患者的偏好，但是在一定程度上可以提供参考。这样，通过数据互鉴的方式，不仅可以弥补P4在技术方面的缺陷，还能够实现对患者核心利益的保障。
其次，强调预先指令。交互决策另一个要求就是强调预先指令的作用。预先指令是对患者在日常生活中关键利益的记录，往往具有较强的客观性
［20］。强调预先指令就是要求遵循患者的关键利益进行决策。在医疗过程中，患者经常会根据现实情况做出不同的利益选择。尽管在某种程度上与生命伦理原则不相符，但这是患者意愿最真实的表达。例如，有的患者可能在临终阶段选择放弃治疗。从生命伦理角度看，虽然这种选择损害了患者的生命利益。但从现实角度来说，其践行了一种长期的承诺，即在生命结束前尽量减少医疗成本。然而，这种情况在P4的应用中无法得到全面体现。为此，要强化预先指令在P4预测过程中的作用。强调预先指令，不但可以维护患者的自主选择能力，还可以提升预测的准确性。
2.3.3 尊重主体意愿，实现意志自由
在医疗中，尊重患者的主体意愿是实现患者意志自由的前提，主要是指在保障患者医疗安全的前提下，按照其真实欲望和意愿展开医疗救治。为此，在P4应用中，既要增进对患者医疗安全的保障，也要强化对患者真实欲望和意愿的解读。
第一，加强对患者医疗安全和隐私的保障。保障患者的医疗安全，一是要恪守患者利益至上原则，这是医学伦理的核心原则。它要求医生在制定医疗方案时，将患者的最大利益置于首位。依据其医疗偏好、病情现状和身体状况，综合评估制定医疗措施。确保医疗措施能在最大程度上实现和保障患者的根本利益。二是要坚持不伤害原则。即要求医生加强对医疗风险的评估，将其降到最低，避免对患者造成不必要的伤害和痛苦。除此之外，还要加强对患者隐私的保护。一方面，在个人信息的采集和训练中，尊重患者的个人意愿。患者是否愿意分享个人数据或者在多大程度上愿意分享个人数据，要尊重其意愿。另一方面，强化智能模型在隐私保护中的应用。可以通过LLM实现本地保存，或者使用技术公司开发的模型，如GPT4或者虎鲸模型。通过该模型将数据下载并托管在本地计算机上，从而避免上传个人的敏感信息。除此之外，还可以通过专门为P4设计隐私保护服务来保障隐私安全。
第二，强化对患者欲望和意愿的解读。对患者欲望的解读，可以通过微调的LLM创建心智模型来实现。首先，应用LLM对患者的个性化文本数据进行分析和训练；其次，依据训练结论对患者的需求进行提取和分类，并按照参数值对其欲望进行等级划分；再次，辅之以人工校对，寻求欲望等级解读的准确性；最后，将其嵌入P4的预测过程。如此便可以实现对患者欲望的解读。然而，对欲望的解读仅阐明了其意愿。要实现患者主体的意志自由，还要尊重其医疗意愿的独立性，即自主性。自主性是指个人具有选择并遵从自己人生计划的道德权利
［21］。在医疗中，尊重自主性就意味着尊重患者在医疗过程中的意愿和行为。因此，尊重患者意愿的独立性就要做到以下几点：一是要以患者当前的健康状况为依据制定医疗措施；二是要以患者的医疗偏好为标准选择方法和过程；三是要辅助以人工建议作为补充，以实现患者的意志自由。
3 结语
个性化患者偏好预测器的提出无疑是在患者医疗偏好预测方面的重大进步。它不仅在医疗过程中最大限度地保障了患者的自主性，强化了对患者的个性化治疗；同时，还大大提高了医疗效率。但在肯定其进步的同时，也要不断地加强对其在理论方面、技术方面及伦理方面反思和优化。让个性化患者偏好预测器更科学、更有效地为人类医疗事业造福。
京公网安备11010202008535号
PDF
(489KB)
