多发病临床指南中推荐冲突的神经符号解决

临床指南通常由独立的专业协会制定，本质上表现出严重的碎片化、冗余和逻辑矛盾。这些不一致，特别是当应用于患有多种疾病的患者时，不仅会导致临床医生的认知失调，还会给人工智能系统带来灾难性的噪音，使标准的检索增强生成（RAG）系统变得脆弱并容易产生幻觉。为了解决这一根本性的可靠性危机，我们引入了一个神经符号框架，可以自动检测推荐冗余和冲突。我们的管道采用多代理系统将非结构化临床自然语言翻译为严格的符号逻辑语言，然后由可满足性 (SAT) 求解器进行验证。通过制定逻辑规则交互的层次分类法，我们确定了一个称为“局部冲突”的关键类别——由合并症交叉引起的决策冲突。根据 12 个权威 SGLT2 抑制剂指南的策划基准评估我们的系统，我们发现 90.6% 的冲突是局部的，这是单一疾病指南无法解决的结构复杂性。虽然最先进的 LLM 未能检测到这些冲突，但我们的神经符号方法取得了 0.861 的 F1 分数。这项工作表明，逻辑验证必须先于检索，为医疗人工智能中的自动化知识协调建立了新的技术标准。