企业官网建设流程全解析

主要内容

本文介绍了一种名为CLI-RAG（Clinically Informed Retrieval-Augmented Generation，临床知情检索增强生成）的框架，旨在利用大型语言模型（LLMs）从异构电子健康记录（EHRs）中生成结构化、符合临床背景的病程记录。

该框架针对临床文本的两大核心挑战：1）患者数据非结构化、异构且分散在多种笔记类型中；2）临床笔记冗长且语义密集，易受LLM上下文长度限制，导致关键信息遗漏。CLI-RAG通过以下方式解决这些问题：

• 分层分块策略：基于临床文档的逻辑结构（如“现病史”“评估”等章节）进行分块，而非固定长度分块，保留文档内语义连贯性；
• 双阶段检索机制：全局检索通过临床相关问题识别跨笔记类型的相关内容，局部检索针对特定笔记类型提取细粒度信息；
• 时间一致性处理：整合既往就诊总结，确保生成的病程记录在跨就诊时的时间和语义对齐。

实验基于MIMIC-III数据集的15种临床笔记类型，生成SOAP格式（主观、客观、评估、计划）的病程记录。结果显示，生成记录的平均时间对齐分数达87.7%，超过临床医生撰写笔记的80.7%，且在不同LLM间一致性高，验证了其在临床文档生成中的有效性。

创新点

1. 临床适配的分层分块：突破传统固定长度分块模式，基于临床文档的章节结构（如“现病史”“评估”）进行分层分块，减少语义割裂，保留临床逻辑；