EPPC-OASIS：面向电子患者-医生沟通挖掘的本体感知适配与结构化推理细化
人工智能
2026-05-26 v1
摘要
安全的患者-医生消息中包含难以在规模化情况下手动描述的临床重要沟通行为。电子患者-医生沟通（EPPC）框架提供了对这些行为的本体编码标准，但自动化提取仍具有挑战性，因为预测必须保留细粒度的代码/子代码结构，同时将注释锚定到消息文本中。我们开发了 EPPC-OASIS，这是一种用于结构化 EPPC 提取的本体感知适配方法，并将其与旨在改善最终注释一致性的可部署推理细化程序相结合。EPPC-OASIS 通过 Wasserstein 对齐目标增强了监督微调，该目标鼓励模型表示邻域与 EPPC 本体派生邻域之间的对齐，而推理细化使用验证、自洽性、混合纠错和选择或集成来处理残余预测错误。我们在脱敏后的患者-医生消息语料库上对该框架进行了评估，分别针对提示、监督微调、偏好基和鲁棒性导向的基线进行了测试，涵盖多个开源语言模型。在不同模型家族中，最佳可部署管道实现了 77.13% 的 Code+Sub-code F1 和 63.83% 的 Triplet F1，对应于相对于最强监督微调基线的 +1.39 和 +2.12 F1 分数的 modest 但持续的提升。这些结果表明，本体感知适配结合结构化推理细化可支持可扩展的 EPPC 挖掘，尽管在实际应用前仍需进行外部验证。
引用
@article{arxiv.2605.24172,
title = {EPPC-OASIS: Ontology-Aware Adaptation and Structured Inference Refinement for Electronic Patient-Provider Communication Mining in Secure Messages},
author = {Samah Fodeh and Sreeraj Ramachandran and Elyas Irankhah and Muhammad Arif and Afshan Khan and Ganesh Puthiaraju and Linhai Ma and Srivani Talakokkul and Jordan Alpert and Sarah Schellhorn},
journal= {arXiv preprint arXiv:2605.24172},
year = {2026}
}