EHR-RAG：通过增强型检索增强生成连接长时程结构化电子健康记录与大语言模型

电子健康记录（EHR）提供了丰富的纵向临床证据，对医疗决策至关重要，促使研究者采用检索增强生成（RAG）来增强大语言模型（LLM）的预测可靠性。然而，长时程EHR常超出LLM上下文限制，现有方法多依赖截断或简单检索策略，易丢失临床相关事件及时间依赖性。为此，本文提出EHR-RAG框架，专为准确解读长时程结构化EHR数据设计，包含三个核心组件：事件与时间感知的混合EHR检索、自适应迭代检索，以及双路径证据检索与推理。在四项长时程EHR预测任务上的实验表明，EHR-RAG显著优于最强LLM基线，平均Macro-F1提升10.76%。