Language Models Lag Behind: Inconsistent Alignment with Recent Removal of Race from Clinical Algorithms
Notice bibliographique
Résumé
BACKGROUND: Several medical societies have revised commonly used clinical algorithms to remove the social construct of race as a predictor. Given the rise in the adoption of large language models (LLMs), we assessed whether LLMs trained since October 2023 are aware of the recent removal of race from lung function reference equations and models used to estimate Glomerular Filtration Rate (eGFR). METHODS: We evaluated a combination of 12 state-of-the-art and lightweight language models by OpenAI, Meta, Microsoft, and DeepSeek. We used various prompts to ask LLMs to identify the latest FEV1 and eGFR reference models and their input parameters, as recommended by the ERS/American Thoracic Society (ATS) and the American Society of Nephrology (ASN), respectively. We ran each prompt-model combination five times with default parameters and compared model outputs with the Medical Society's recommendations. RESULTS: Regardless of model size and reasoning capability, less than 3% of model outputs correctly identified the removal of race from lung function equations. In contrast, 100% of outputs from state-of-the-art models and 25% from lightweight models correctly identified the removal of race from eGFR (Figure). No statistically significant difference was observed between open-source and proprietary models. CONCLUSIONS: Evaluated LLMs consistently failed to correctly identify the latest recommendations of ERS and ATS. erj;66/suppl_69/PA2023/F1 F1 F1
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».