پیش‌بینی بیماری یکی از بنیادی‌ترین اهداف هوش مصنوعی در پزشکی است و در سال‌های اخیر، مدل‌های زبانی بزرگ (LLM) با گذر از نقش پردازشگر متن، به مدل‌های بنیادی توالی بالینی بدل شده‌اند و افق این حوزه را دگرگون ساخته‌اند. هدف این مقاله مروری، شناسایی، دسته‌بندی و تحلیل جدیدترین مدل‌های زبانی بزرگ در پیش‌بینی بیماری است. روش کار به این صورت بوده که در بازه ژانویه ۲۰۲۵ تا سپتامبر ۲۰۲۶ در پایگاه‌های arXiv، PubMed، Nature Portfolio و PhysioNet با کلیدواژه‌های ترکیبی «مدل زبان بزرگ»، «پیش‌بینی بیماری» و «مدل بنیادی بالینی» جست‌وجو شد و از میان ۵۳ نتیجه اولیه، پانزده مطالعه بر اساس معیارهای ورود شامل مدل‌سازی مستقیم بروز، پیش‌آگهی، شدت یا پیامد بیماری، یا ارائه چارچوب بنیادی، داده‌ای و ارزیابانه در همین مسیر انتخاب و در چهار معماری و یک بخش تکمیلی ایمنی دسته‌بندی گردید. نتایج نشان می‌دهد مدل مولد Delphi-2M با یادگیری «تاریخچه طبیعی بیماری» از توالی رویدادهای ۴۵۰ هزار فرد در UK Biobank، اعتبارسنجی خارجی موفقیت‌آمیزی روی ۱٫۹ میلیون فرد دانمارکی داشته و پیش‌بینی بیست‌ساله مسیر سلامت را ممکن ساخته است؛ مدل چندوجهی SleepFM با تحلیل تنها یک شب داده پلی‌سومنوگرافی، ریسک ۱۳۰ بیماری را با شاخص C بین ۰٫۸۰ تا ۰٫۸۵ برآورد می‌کند؛ و رویکردهای دانش‌افزوده مبتنی بر گراف‌های دانشی چون PrimeKG، تفسیرپذیری و تعمیم‌پذیری را ارتقا داده‌اند. در مقابل، پدیده توهم همچنان مهم‌ترین مانع کاربرد بالینی است؛ مطالعات متخاصم نرخ پذیرش اطلاعات ساختگی توسط مدل‌ها را تا ۸۲ درصد گزارش کرده و تحلیل هزاران داوری پزشک نشان داده خطاهای حذف اطلاعات مثبت واقعی در خلاصه‌سازی بالینی ویژگی ذاتی این مدل‌هاست. بر پایه این یافته‌ها، معماری ترکیبی پیشنهاد می‌شود که مؤلفه مولد پیش‌بینی مسیر بیماری را با مؤلفه استدلال مبتنی بر گراف دانش ادغام می‌کند تا پیش‌بینی‌های ناسازگار با دانش پزشکی پالایش شوند، نرخ توهم کاهش یابد و هر خروجی همراه با تبیین گراف‌محور و نشانگر عدم قطعیت ارائه گردد. نتیجه‌گیری کلی آن است که نسل آینده سامانه‌های پیش‌بینی بیماری باید از «دقت صرف» به «ایمنی بالینی و تفسیرپذیری» گذر کند و معیارهای ارزیابی خروج‌محور با داوری پزشک جایگزین سنجه‌های صرفاً آماری شود.