GLoC-EHR：全球背景和本地 EHR 事件的循证临床推理

结构化电子健康记录 (EHR) 将患者的临床轨迹包含为一系列临床代码。从这些记录中回答临床问题需要整个轨迹的背景和支持答案的具体事件。我们引入了 GLoC-EHR，这是一种多模态语言模型，它通过固定大小的轨迹全局记忆和所选事件的本地记忆来读取记录的上下文编码。该模型学习从全局记忆中生成医院课程摘要，并从本地记忆中生成隐藏概念的描述，使两者与临床文本保持一致。然后训练它在回答之前引用证据，通过理由微调，然后进行群体相对策略优化（GRPO），对正确答案和记录支持的证据进行奖励。在三项 MIMIC-IV 结果任务中，GLoC-EHR 在直接回答时在比较模型中获得了最高的宏观 AUROC，而读取序列化记录的零样本 LLM 则远远落后。通过证据引用推理，它与宏观 AUROC 中的直接多任务对应物保持接近，并且目标的证据项减少了类似宏观 AUROC 中无支持的证据。本地内存添加了明显的支持发现，特别是在严格匹配的情况下，而宏观 AUROC 没有可检测到的变化。无需重新训练，GLoC-EHR 就可以与 EHR-BERT 同等地转移到 EHRSHOT，并比其自身主干的零样本提示更好地回答两个看不见的实验室问题。