CliniCARE-Bench：基于电子病历的临床校准式医学推理审计

大语言模型在医学知识基准上表现强劲，但可靠的临床部署要求智能体在异构、纵向记录上进行可辩护的调查：判断需要哪些证据、检索并核对结构化与自由文本数据、让结论立足于可验证证据，以及对无法可靠解决的病例予以搁置。我们提出CliniCARE-Bench（Clinical Calibrated Audit of Medical Reasoning in EHR），一个面向回顾性临床审计的基准：25个经临床医生验证的场景，基于真实患者衍生的MIMIC-IV数据实例化为750个患者级病例。系统通过一个受治理、留痕的工具环境（用于记录检索、计算与政策访问）对每个病例开展调查，并返回四种裁决之一——是、否、不确定：缺乏数据，或不确定：医学上存疑——后两类将证据缺失与残余医学不确定性区分开来。除裁决准确率外，我们还依据由独立多模型裁定产生、并经临床委员会评审校准的病例级参考裁决，为患者-证据与政策锚定、流程遵从、校准式弃权、可靠性与效率打分。每次检索、计算与报告均可回放，因此调查轨迹可查验、可评分。据我们所知，CliniCARE-Bench是首个在统一的患者级裁定框架内，联合评估真实纵向EHR调查、断言级证据锚定、治理政策使用、流程遵从与校准式弃权的面向部署的临床智能体基准。在16个agentic系统上，四分类准确率介于65.3-76.1%，但原始准确率高估了调查质量。无缺陷准确率（只有当裁决正确且无违规捷径时才计分）要低4.8-14.8分，并重排了排行榜。