PACE-RAG：面向临床药物推荐的患者感知、上下文与证据导向的政策检索方法
计算与语言
2026-03-19 v1
摘要
药物推荐需要深入理解个体患者的背景信息，尤其是对于像帕金森病这类复杂疾病。虽然大语言模型拥有广泛的医学知识，但它们无法捕捉实际处方模式中所谓的细微差异。现有的检索增强生成（RAG）方法也在这些复杂场景中感到困难，因为基于指南的检索过于泛泛而且，类似患者检索往往会复制多数模式，而未能考虑个体患者独特的临床细微差异。为弥合这一差距，我们提出了PACE-RAG（Patient-Aware Contextual and Evidence-based Policy RAG），这是一种新型框架，旨在综合个体患者背景与相似案例的处方倾向。通过针对特定临床信号分析治疗模式，PACE-RAG能够识别最佳处方方案并生成可解释的临床摘要。在帕金森病队列和MIMIC-IV基准测试中分别使用Llama-3.1-8B和Qwen3-8B进行评估，PACE-RAG实现了最高的性能，分别达到80.84%和47.22%的F1分数。这些结果验证了PACE-RAG作为一种稳健且临床上可靠的个人化决策支持工具。我们的代码已公开：https://github.com/ChaeYoungHuh/PACE-RAG。
引用
@article{arxiv.2603.17356,
title = {PACE-RAG: Patient-Aware Contextual and Evidence-based Policy RAG for Clinical Drug Recommendation},
author = {Chaeyoung Huh and Hyunmin Hwang and Jung Hwan Shin and Jinse Park and Jong Chul Ye},
journal= {arXiv preprint arXiv:2603.17356},
year = {2026}
}
备注
26 pages, 15 figures