范围：规划临床试验数据的混合查询

我们研究临床试验表推理，其中答案不直接存储在可见单元中，而是必须通过规范化、分类、提取或轻量级域推理从语义理解中推理。由于观察到当前的 LLM 方法经常在隐式计划假设下遭受“错误推理”，我们重点关注模型必须从部分观察的临床试验表中恢复隐式属性的设置，例如治疗类型、添加的药物、终点角色或随访状态。我们提出了 SCOPE（用于临床试验中证据检索的结构化临床混合规划），这是一个基于多 LLM 规划器的框架，可将任务分解为行选择、结构化规划和执行。规划器在生成答案之前明确源字段、推理规则和输出约束，从而减少相对于直接提示的歧义。我们针对肿瘤学临床试验表上的 1,500 个混合推理问题，针对零样本、少样本、思维链、TableGPT2、Blend-SQL 和 EHRAgent 来评估 SCOPE。结果表明，显式多 LLM 规划提高了基于推理的问题的准确性，同时提供比更重的代理基线更强的准确性-效率权衡。我们的研究结果将临床试验推理定位为一个独特的表格理解问题，并强调基于混合规划器的分解是一种有效的解决方案