面向无误差 EHR：基于临床笔记与结构化表格的推理驱动一致性验证
计算与语言
2026-05-27 v1 人工智能
摘要
Electronic Health Records (EHRs) 中非结构化临床笔记与结构化表格之间的数据一致性对于患者安全和临床决策至关重要。然而，现有笔记-表格一致性验证工作主要依赖于数值值的表面匹配或简单事件，对实际 EHR 文档中所体现的临床解释、事件关系及时间变化等推理因素捕捉不力。为填补此 gap，本文引入 EHR-ReasonCon，一个面向笔记-表格一致性验证的推理密集型基准数据集。基于 MIMIC-III 构建，包含 8,048 个实体来自临床笔记，并提供高质量的 ground-truth 标签。注释协议借助专业的表格探索工具，以确保系统性证据检索和可靠的一致性评估。我们还提出 EHR-Inspector，一个基于大语言模型的框架，对笔记进行分段、提取锚实体和时间参考，并利用表格探索工具对结构化表格进行一致性验证。在基于专家验证的 LLM-as-a-judge 指标（严格与宽松标准下）进行评估后，EHR-Inspector 在多个模型 Backbone 上实现了最新性能。进一步分析表明其各组件的有效性，并突显其与人类验证之间的差异。
引用
@article{arxiv.2605.26463,
title = {Towards Error-Free EHRs: Reasoning-Intensive Consistency Verification Between Clinical Notes and Structured Tables in Electronic Health Records},
author = {Yeonsu Kwon and Jiho Kim and Junseong Choi and Paloma Rabaey and Minseo Kim and Sujeong Im and Jeewon Yang and Jun-Min Lee and Sangji Lee and Jiwon Kim and Hangyul Yoon and Hyunwook Kwon and Edward Choi},
journal= {arXiv preprint arXiv:2605.26463},
year = {2026}
}