DENSE：基于跨院就诊异构临床笔记时序建模的纵向病程记录生成

病程记录是电子健康记录（EHR）中临床意义最为重要的产物之一，为患者不断演变的病情、治疗和护理决策提供了具有时间依据的洞察。尽管其非常重要，但在大规模 EHR 数据集中，病程记录的代表性严重不足。例如，在广泛使用的重症监护医疗信息集市 III（MIMIC-III）数据集中，仅有约 $8.56\%$ 的就诊记录包含病程记录，导致患者纵向叙述出现空白。相比之下，该数据集包含多种其他类型的笔记，每种笔记捕捉了护理的不同方面。我们提出了 DENSE（Documenting Evolving Progress Notes from Scattered Evidence），这是一个旨在通过模拟医生在起草病程记录时如何参考既往就诊经历，从而与临床文档记录工作流程保持一致的系统。该系统引入了细粒度的笔记分类和时间对齐机制，将跨就诊的异构笔记组织为结构化的按时间顺序排列的输入。DENSE 的核心是利用临床知情的检索策略，从当前和既往就诊记录中识别在时间和语义上相关的内容。这些检索到的证据被用于提示大语言模型（LLM），以生成临床连贯且具有时间感知的病程记录。我们在一个包含多次就诊且具有完整病程记录文档的精选患者队列上评估了 DENSE。生成的笔记表现出很强的纵向保真度，时间对齐率达到 $1.089$，超过了原始笔记中观察到的连续性。通过恢复碎片化文档中的叙述连贯性，我们的系统支持改进下游任务，如摘要、预测建模和临床决策支持，为现实世界医疗环境中的 LLM 驱动的笔记合成提供了可扩展的解决方案。