基于电子健康记录的经验检索增强框架ExpRAG实现准确的出院问答
计算与语言
2025-05-29 v2 人工智能
信息检索
摘要
为提高大型语言模型(LLM)在临床应用中的可靠性，检索增强生成(RAG)被广泛应用于提供事实医学知识。然而，除了来自开放式数据集的常规医学知识之外，基于临床病例的知识对于有效的医学推理也至关重要，因为它提供了来自真实世界患者经验的背景。因此，我们提出了基于电子健康记录(EHR)的经验检索增强ExpRAG框架，旨在提供来自其他患者出院报告中与之相关的背景信息。ExpRAG通过粗到细的检索过程进行操作，利用基于EHR的报告排序器高效识别相似患者，然后通过经验检索器提取任务相关内容，以增强医学推理。为评估ExpRAG，我们引入了DischargeQA数据集，包含1,280个涉及诊断、药物和指示任务的出院相关问题。每个问题都使用EHR数据生成，以确保现实且具挑战性的场景。实验结果表明，ExpRAG consistently优于文本基排序器，平均相对改进达5.2%，凸显了病例基础知识对医学推理的重要性。
引用
@article{arxiv.2503.17933,
title = {Experience Retrieval-Augmentation with Electronic Health Records Enables Accurate Discharge QA},
author = {Justice Ou and Tinglin Huang and Yilun Zhao and Ziyang Yu and Peiqing Lu and Rex Ying},
journal= {arXiv preprint arXiv:2503.17933},
year = {2025}
}