AgentEHR：通过回顾性总结实现自主临床决策
计算与语言
2026-01-21 v1
摘要
大型语言模型在医学领域展现出显著的实用性。然而，其应用于自主电子健康记录（EHR）导航仍受限于依赖精心挑选的输入和简化的检索任务。为弥合理想实验环境与现实临床环境之间的差距，我们提出了 AgentEHR。该基准测试挑战智能体执行复杂决策任务，如诊断和治疗规划，需要在原始高噪声数据库中进行长距离交互式推理。在解决这些任务时，我们发现现有摘要方法不可避免地导致关键信息丢失和推理连续性断裂。为此，我们提出了 RetroSum 框架，融合回顾性摘要机制与演化式经验策略。通过动态重新评估交互历史，回顾性机制可防止长上下文信息丢失，确保逻辑连贯性。此外，演化策略通过检索记忆库中累积的经验，弥合领域差距。大量实证评估表明，RetroSum 在对抗基线方法方面 achieves performance gains（性能提升）最高可达 29.16%，显著降低总体交互错误率最高可达 92.3%。
引用
@article{arxiv.2601.13918,
title = {AgentEHR: Advancing Autonomous Clinical Decision-Making via Retrospective Summarization},
author = {Yusheng Liao and Chuan Xuan and Yutong Cai and Lina Yang and Zhe Chen and Yanfeng Wang and Yu Wang},
journal= {arXiv preprint arXiv:2601.13918},
year = {2026}
}
备注
37 pages, 12 figures