COTCAgent：基于概率链式思维完成的预防性咨询代理

随着大型语言模型在医疗领域的应用，智能临床决策支持系统发展迅速。长itudinal电子健康记录（EHR）为准确的临床诊断和分析提供了关键的时序证据。然而，当前的大型语言模型在时序EHR推理方面存在关键缺陷：首先，缺乏细粒度的统计推理能力，往往在量化证据被文本暗示时会幻觉性地生成临床趋势和指标，从而偏离诊断推断；其次，时序EHR中非均匀的时间序列和稀疏标签阻碍了模型捕捉长程时序依赖关系，限制了可靠的临床推理。为此，本文提出了概率链式思维完成代理（Probabilistic Chain-of-Thought Completion Agent，COTCAgent），一个用于长itudinal电子健康记录的层次化推理框架。其包含三个核心模块：时序统计适配器（Temporal-Statistics Adapter，TSA）将分析计划转换为可执行代码，以生成标准化的趋势输出；链式思维完成层（Chain-of-Thought Completion，COTC）利用带权重评分的症状-趋势-疾病知识库来评估疾病风险，而受限完成模块通过标准化询问和迭代评分约束获取结构化证据，以确保严谨的推理过程。通过解耦统计计算、特征匹配和语言生成，该框架消除了对复杂多模态输入的依赖，实现了低计算开销的高效时序记录分析。实验结果表明，采用百慕大语言模型（Baichuan-M2）训练的COTCAgent在自构建数据集上实现90.47%的Top-1准确率，在HealthBench上实现70.41%的准确率，优于现有的医疗代理和主流大型语言模型。代码已公开于https://github.com/FrankDengAI/COTCAgent/。