TRACE：通过智能体上下文演化实现流式电子健康记录的时间推理

大型语言模型（LLMs）虽然包含丰富的医学知识，但在处理长期患者轨迹时表现不佳，因为不断变化的临床状态、不规则的时间间隔和异构事件会随着时间推移降低性能。现有的适应策略依赖于微调或基于检索的增强方法，这会引入计算开销、隐私限制或长上下文下的不稳定性。本文提出TRACE框架，通过显式结构化和维护上下文，而非扩展上下文窗口或更新参数，使冻结的LLM具备时间临床推理能力。TRACE采用双记忆架构，包括静态的全局协议（编码机构临床规则）和动态的个体协议（跟踪患者特定状态）。四个智能体组件——路由器、推理器、审计员和守护者——协同工作以支持时间推理和状态演化。该框架通过结构化状态压缩保持有限的推理成本，并选择性地审计关键临床决策。在MIMIC-IV的纵向临床事件流上评估，TRACE显著提升了未来事件预测准确性、协议遵循度和临床安全性，同时生成可解释和可审计的推理过程。