摘要
开放的生理数据集具有异质性：它们使用不同的传感器、标签、采样率、记录设置和临床终点。虽然这些数据集可以支持检测器设计，但并未直接说明应为新的非接触监测平台构建哪些检测规则。我们报告了一种受控的四分析师大型语言模型（LLM）工作流程，旨在将68个经过商业使用兼容性筛选的公共生理数据集转换为可审计的候选规则库，以便进行前瞻性验证。
四个独立的商业LLM家族在受控提示下读取数据集文档，并生成了695个候选规则标记（顶级标记）。去重后保留了649条规则记录；阈值审计随后标记了51个理智违规问题，需进行限制或策展审查。跨数据集整合产生了436个独特的规则形状。针对两个硬性不变性条件进行门控标记：本地目标硬件通道的可用性和不对单个患者进行多夜个性化，识别出了94个可立即构建的检测器组件，分布在四个检测器家族中。该管道并未产生经过验证的临床检测器，而是生成了一个可审计的工程级级联，分析师争议、阈值检查、策展审查及自动化持续集成（CI）检查将文献衍生规则引导至前瞻性硬件验证。
博主点评： 本文提出的多分析师LLM管道通过整合多种公共生理数据集，提供了一种创新的方法来生成可审计的检测规则。这种方法不仅增强了数据集的利用效率，还为未来的临床应用提供了可行的验证路径，具有重要的实践意义。该方法的透明性和审计能力将有助于提升生理监测领域的研究质量。