EviGen：用于生成可验证临床原理的预测证据支架

纵向电子健康记录 (EHR) 通过笔记、代码、实验室和程序捕获多年的患者病史，并包含推断可能的临床结果所需的证据。然而，临床医生对这些记录进行全面审查是不切实际的，而且基于大语言模型的处理成本高昂，而且往往不可靠，会遗漏一些相关观察结果，同时产生幻觉其他观察结果。因此，我们提出 EviGen，这是一个三层框架，用于生成可验证的临床原理，以应对这些挑战。第一层是一个以患者为条件的检索器，它使用可学习的查询来查找预测临床结果的证据，而不仅仅是与文本相关的临床结果，并根据预测归因分数对其进行排名。第二层是 LLM 生成器，它使用此排名证据作为支架，以生成基于检索到的跨度的临床基本原理。第三层是过程监督验证器，它在推理步骤级别检查生成的基本原理，标记不可靠的声明。在三个医学预测数据集中，EviGen 比全上下文 LLM 和 RAG 基线提高了预测性能和基本原理可信度，并且在可用性评估中受到临床审查人员的青睐。