ClinicalBench：MIMIC-IV 上跨入院临床 QA 的压力测试断言感知检索

推理基准衡量干净输入的临床表现。我们评估推理之前的步骤：检索真实的 EHR 记录，其中否定、暂时性和家庭与患者归因可能会将正确答案翻转为错误答案。 EpiKG 对患者知识图中的每个事实都带有一个断言标签和一个临时性标签，然后按问题意图进行检索。 ClinicalBench 是一项包含 400 个问题的测试，涉及 43 名 MIMIC-IV 患者，涉及 9 个断言敏感类别。 7 条件消融测试了 6 个 LLM（Claude Opus 4.6、GPT-OSS 20B、MedGemma 27B、Gemma 4 31B、MedGemma 1.5 4B、Qwen 3.5 35B）中的每块 EpiKG。三位医生盲目地判定了 100 个配对项目。作者不知情的主要终点，即由两位外部医生对 50 个一致严格的项目进行完全配对的 McNemar 配对，产生 +22.0 个百分点（95% Newcombe CI [+5.1, +31.5]，p=0.0192）。架构新颖性、意图感知 KG-RAG 超过 Contriever 密集 RAG 基线（排除变更的 n=362 端点上的 C2b 到 C4g_kw）+8.84 个百分点（配对 McNemar p=1.79e-3）；在甲骨文意向下+12.43个百分点。敏感性方向一致：三名医生多数+24.0 个百分点（受限于单作者循环性）；确定性关键词再现性代理+39.5 个百分点。在六个模型中，随着 LLM 单独基线的上升，增益缩小（beta=-1.123，r=-0.921，p=0.009）。当 n=6 时，这看起来更像是回归均值，而不是用编码代替模型大小。医生裁决发现 56% 的自动生成参考答案有缺陷，这一方法学发现表明 NLP 管道临床 QA 基准需要医生裁决才能使用。 ClinicalBench、冻结评​​估器、三评估器裁决数据和 EpiKG 输出堆栈已公开发布。