论文
EHR-RAG：通过增强检索增强生成连接长程结构化电子健康记录与大语言模型
EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation
摘要
电子健康记录（EHR）提供丰富的纵向临床证据，是医疗决策的核心，促使人们使用检索增强生成（RAG）来为大语言模型（LLM）预测提供依据。然而，长程EHR常超出LLM上下文限制，现有方法通常依赖截断或朴素检索策略，丢弃临床相关事件和时间依赖。为应对这些挑战，我们提出EHR-RAG，一个为准确解读长程结构化EHR数据而设计的检索增强框架。EHR-RAG引入三个为纵向临床预测任务量身定制的组件：保留临床结构和时间动态的事件与时间感知混合EHR检索；渐进精化查询以扩大证据覆盖面的自适应迭代检索；以及联合检索并推理事实性与反事实证据的双路径证据检索与推理。在四个长程EHR预测任务上的实验表明，EHR-RAG持续优于最强LLM基线，平均Macro-F1提升10.76%。总体而言，我们的工作凸显了检索增强LLM在实践中推进结构化EHR数据临床预测的潜力。
