GLoC-EHR：基于全局上下文和局部 EHR 事件的循证临床推理

arXiv:2610.01076v1 公告类型：new 摘要：结构化电子健康记录（EHR）以临床代码序列的形式记录患者的临床轨迹。要从此类记录中回答临床问题，既需要了解完整轨迹的上下文，也需要掌握支持答案的具体事件。我们提出 GLoC-EHR，这是一种多模态语言模型，通过轨迹的固定大小全局记忆和所选事件的局部记忆，读取记录的上下文编码。该模型学习利用全局记忆生成住院过程摘要，并利用局部记忆生成被掩码概念的描述，同时使二者与临床文本对齐。随后，通过先进行推理依据微调，再采用群组相对策略优化（GRPO）进行训练，使模型在回答前引用证据；优化奖励包括答案正确性和记录支持的证据。在三项 MIMIC-IV 结局任务中，GLoC-EHR 直接作答时，在参与比较的模型中取得了最高的宏平均 AUROC，而读取序列化记录的零样本 LLM 远远落后。采用循证推理后，其宏平均 AUROC 仍接近直接多任务版本；同时，目标函数中的证据项在相近宏平均 AUROC 下减少了不受支持的证据。局部记忆增加了具有独特性的受支持发现，尤其是在严格匹配条件下，而宏平均 AUROC 没有可检测到的变化。在无需重新训练的情况下，GLoC-EHR 在 EHRSHOT 上的表现与 EHR-BERT 相当，并且在两个未见过的实验室问题上优于对其自身骨干模型进行零样本提示的表现。