MedRLM：用于长上下文临床推理、传感器引导筛查、循证决策支持和社区到三级转诊优化的递归多模式健康智能

现实世界的临床决策支持需要对异构和纵向的患者信息进行推理，而不是回答孤立的医学问题。然而，当前的医学 大语言模型 和检索增强生成系统通常依赖于单步提示或检索，当临床证据分布在长电子健康记录、医学图像、传感器流、指南和转诊限制中时，这可能很脆弱。本文提出了 MedRLM，一种递归多模式健康智能框架，用于长上下文临床推理、传感器引导筛查和社区到三级转诊支持。 MedRLM 没有将所有患者信息压缩到一个提示中，而是将患者病例视为一种外部临床环境，可以递归检查、分解、检索、验证和合成。该框架协调临床文本、纵向电子病历、医学成像、生理传感器信号、指南检索、不确定性审计和转诊计划的专业代理。它还引入了临床证据图形存储器，将患者特定的观察结果与检索到的证据、标准化定义、传感器衍生的生物标志物和转诊标准联系起来。当检测到异常生理或行为模式时，传感器引导的递归触发机制会激活更深层的推理，而不确定性门控细化支持临床医生对高风险或低置信度病例的审查。我们还概述了使用涵盖 EHR、放射学、心电图、ICU 时间序列和转诊代理结果的公共和经过认证的临床数据集的真实数据评估设计。 MedRLM 旨在将医疗人工智能从静态问答转向可审核、多模式和工作流程感知的临床决策支持。