LongMedBench：面向长程临床决策的医疗智能体基准

本工作提出LongMedBench：一个基于真实EHR的长程临床决策基准。既往对基于LLM的医疗智能体的评估大多强调短上下文知识问答与工具使用；但真实医疗本质上是纵向的——临床医生必须聚合跨多次就诊、检验与演化的治疗证据。因此长程交互对现实评估必不可少。LongMedBench经可复现管线构建：把MIMIC-IV入院记录与临床笔记整合为时序事件流与长上下文记忆数据集，支持智能体与临床环境的长程多会话交互；含335名患者，人均19.72次住院、每次就诊44.91个医疗事件。以长程决策过程为指导，我们提出含三个套件的评估分类：事实问答、时序推理与长程决策——度量智能体如何在扩展时程上理解并利用历史患者信息。实验显示：近期LLM能善用显式时间戳，但在隐式时间推断上有困难；RAG与智能体记忆系统能改善信息检索类任务，而决策类任务的表现高度依赖模型的即时上下文。