RASPER：面向EHR结局预测的奖励对齐病历摘要

电子健康记录（EHR）中的非结构化出院小结常携带与结构化医学编码互补的信号——包含标准化队列级编码无法捕捉的患者特定证据。但这些证据常埋在冗长嘈杂、并非为特定临床预测而写的文本中。摘要是显而易见的缓解，但为流畅而非结局调优的通用摘要经常遗漏决定性证据而保留貌似合理却无信息量的细节。为此我们提出RASPER——面向EHR预测的奖励对齐摘要器，直接对照下游临床任务优化病历摘要：采用可调LLM摘要器从出院小结提取任务相关证据，并以来自下游预测器损失的奖励经强化学习训练；为使摘要器接地，纵向编码器把结构化编码转为软提示，把每位患者的临床语境纳入摘要。通过奖励所得多模态预测的质量，RASPER促使摘要器保留与结构化编码互补而非重复的患者特定证据。在MIMIC-III与MIMIC-IV上，RASPER在再入院预测与用药推荐两项任务上一致超越强基线。