REFINE：LLM 对预算文本属性图的细化，用于个性化医学概念表示

学习丰富的医学概念表征对于 EHR 预测至关重要。文本属性知识图（TKG）通过将异构医疗关系与文本语义组织在一起提供了自然的基础。然而，大多数现有编码器在患者之间统一处理概念，尽管代码的含义和预测价值取决于患者特定的临床背景和轨迹。从 TKG 学习患者个性化概念表示引入了两个关键挑战：（1）决定为每个观察到的代码纳入多少 KG 上下文，以及（2）将语义信息与患者特定的关系结构对齐。我们提出了 REFINE，一个 KG 感知的预算 LLM 图细化框架，用于患者个性化医疗概念编码。从全局 TKG 开始，REFINE 构建患者特定的时间图。顺序强化学习策略为每个观察到的代码选择个性化的 KG 扩展预算。生成的患者图由异构 GNN 处理，以捕获关系感知的结构依赖性，而冻结的 LLM 使用图感知的软提示在语义上细化概念表示。 MIMIC-III 和 MIMIC-IV 上的实验表明，REFINE 持续改进了不同的 EHR 主干，优于强大的基线，并在组件消融、KG 选择和数据不足方面表现出强劲的收益。