BAR：可验证医疗知识图谱的预算感知推理

根据电子健康记录 (EHR) 预测出院后风险很困难，因为记录中缺少将出院时间观察结果与下游并发症（例如合并症级联和药物与疾病相互作用）联系起来的许多依赖性。外部医学知识图 (KG) 可以提供这些缺失的依赖关系，但追踪它们需要三个属性：KG 探索必须保持成本限制，检索到的证据必须根据来源质量进行区分，以及由此产生的基本原理必须可引用以供回顾性审查。 大语言模型（LLM）可以规划和验证结构化证据，使其成为 KG 推理的天然候选者，但现有的基于 LLM 的方法不能同时满足这三个属性。在本文中，我们提出了 BAR，一种针对医疗 KG 的预算感知 LLM 推理框架，具有三个贡献。首先，BAR将原始知识图谱细化为疾病特定的证据图，其边缘带有支持分数和来源记录，将知识图谱变成质量注释的推理空间而不是静态特征源。其次，LLM 然后通过计划-导航-验证循环对该图进行推理，将问题分解为步骤，根据患者特定的预算检索证据，并在验证失败时进行修改。第三，推理策略接受奖励训练，该奖励比较有和没有获得证据的预测，并结合获取成本和引用完整性术语。在 MIMIC-III 和 MIMIC-IV 的 8 种疾病和 3 个预测范围内，BAR 将 AUPRC 比最强基线提高了 3.4 个百分点，将 精度 的引用率从 59.8% 提高到 77.9%，并且仅消耗预算上限的 62-65%。