文章核心总结与翻译一、主要内容本文聚焦医疗领域中数据缺失问题对大型语言模型（LLMs）零样本预后预测性能的影响，通过一系列实验与理论分析得出关键结论：研究背景：医疗数据缺失（如诊断测试未执行）受患者健康状况、资源等多种因素影响，具有信息价值，但现有研究未关注其对LLMs预测性能的作用。实验设计：选取10个不同规模、不同预训练数据的LLMs（参数范围8B-120B），在MIMIC-IV公开数据集和哥伦比亚大学医学中心（CUMC）私有数据集上，针对3类临床预后任务（长期住院、院内死亡率、30天再入院）展开测试；设计4种提示策略（丢弃缺失特征、添加缺失指示器、添加缺失推理指令、缺失指示器+推理指令），评估模型的预测性能（AUROC）和不确定性校准（ECE）。核心发现：LLM的零样本预测能力对缺失数据的表征方式高度敏感，缺失数据相关的提示策略会显著改变预测结果和校准效果。影响具有模型和任务依赖性：大型模型（如GPT-OSS 120B、Qwen3 32B）能从缺失指示器和推理指令中获益，而小型模型（如Qwen3 8B、Llama3.1 8B）反而会因这些干预措施导致性能下降。逻辑回归基线验证了缺失数据的信息价值，但LLMs对这种价值的编码和解码能力存在差异。理论支撑：通过误差分解理论，将性能差异归因于贝叶斯最优损失差异、LLM先验知识错