CodeClinic：评估临床推理智能体编程技能的自动化

基于大语言模型（LLM）的临床推理智能体旨在自动化重症监护病房（ICU）监护以及从电子健康记录（EHR）追踪患者状态等任务。现有系统通常依赖人工整理的临床工具或技能来处理脓毒症检测、器官衰竭评估等概念。然而，维护这些工具库需要大量专家投入，而零样本查询或代码生成往往产生低效且不可靠的推理链，在机构特定的临床政策下尤为如此。我们提出CodeClinic，一个构建于MIMIC-IV之上的基准，用于评估LLM智能体能否合成并组合可复用的临床技能，而非依赖固定工具箱。该基准包含两个互补任务：纵向ICU监测与组合式信息搜寻。纵向设定模拟每四小时做出结构化决策的患者轨迹监测，覆盖25种发现和8个临床类别；组合式设定横跨9个领域的259个任务、共63k个实例，并按组合依赖深度分层，以评估日益复杂的多步推理。我们进一步提出一个离线自动形式化流水线，通过迭代式LLM精炼，将自然语言临床指南转换为可复用且经验证的Python技能库。与零样本代码生成相比，所得技能库提升了一致性，同时将每次查询的token用量最多降低40%。