ObGynLongBench：揭示纵向 EHR 决策中证据与 EHR 之间的差距

大语言模型（LLM）在个性化医疗助理中的应用引起了越来越多的兴趣。然而，现有的医疗基准在很大程度上依赖于预先选择的证据的静态问答，因此尚不清楚 LLM 是否可以根据真实的纵向电子健康记录 (EHR) 做出可靠的临床决策。为了弥补这一差距，我们引入了 ObGynLongBench，这是一个基于规则的长上下文 EHR 基准，用于妇产科决策，包含来自 976 个真实妊娠 EHR 历史的 1,500 个临床决策点案例和可追溯的规则。每个病例都与患者、怀孕时间线点和决策前信息边界相关，从而实现纯证据、就诊级别 EHR 和历史级别 EHR 评估。评估 17 LLM 揭示了证据与 EHR 之间的巨大差距：当直接提供证据时，模型表现良好，但当必须从当天记录或完整的决策前 EHR 历史记录中提取证据时，准确性会下降。进一步的分析发现证据利用是一个关键瓶颈：随着 EHR 环境的延长和证据要求的复杂化，性能会下降，并且早期的失败通常可以预测同一患者病史中的后续失败。最后，主动搜索代理在 EHR 访问策略中表现最佳，突出显示患者特定证据的利用是可靠的个性化医疗助理的核心挑战。资源可在 https://github.com/xiangjun2003/ObgynLongbench 获取。