EHR-RAG：通过增强检索-增强生成桥接长时段结构化电子健康记录与大型语言模型
人工智能
2026-01-30 v1
摘要
电子健康记录（EHR）提供了丰富的纵向临床证据，是医学决策的核心，动机使检索-增强生成（RAG）用于 grounding 大型语言模型（LLM）预测。然而，长时段EHR常常超过LLM的上下文限制，现有方法通常依赖截断或基础检索策略，舍弃临床相关事件和时间依赖关系。为此，我们提出EHR-RAG，一个专为准确解释长时段结构化EHR数据设计的检索-增强框架。EHR-RAG引入三个针对纵向临床预测任务的组件：基于事件和时间的混合EHR检索以保留临床结构和时间动态、自适应迭代检索以逐步细化查询以扩大广泛证据覆盖、双路径证据检索与推理以联合检索和推理事实与反事实证据。跨越四个长时段EHR预测任务的实验表明，EHR-RAG在所有基准上都显著优于最强的LLM基线，平均Macro-F1提升10.76%。我们的工作凸显了检索-增强LLM在实际应用中推进结构化EHR数据的临床预测的潜力。
引用
@article{arxiv.2601.21340,
title = {EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation},
author = {Lang Cao and Qingyu Chen and Yue Guo},
journal= {arXiv preprint arXiv:2601.21340},
year = {2026}
}