論文の概要: EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2601.21340v1
• Date: Thu, 29 Jan 2026 07:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.635141
• Title: EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation
• Title（参考訳）: EHR-RAG:Retrieval-Augmented Generationによる長期構造電子健康記録と大規模言語モデル
• Authors: Lang Cao, Qingyu Chen, Yue Guo,
• Abstract要約: EHR-RAGは、長い水平構造を持つEHRデータの正確な解釈のために設計された検索拡張フレームワークである。 長期のEHR予測タスクの4つの実験により、EHR-RAGは最強のLCMベースラインを一貫して上回っていることが示された。
• 参考スコア（独自算出の注目度）: 8.087606137290217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic Health Records (EHRs) provide rich longitudinal clinical evidence that is central to medical decision-making, motivating the use of retrieval-augmented generation (RAG) to ground large language model (LLM) predictions. However, long-horizon EHRs often exceed LLM context limits, and existing approaches commonly rely on truncation or vanilla retrieval strategies that discard clinically relevant events and temporal dependencies. To address these challenges, we propose EHR-RAG, a retrieval-augmented framework designed for accurate interpretation of long-horizon structured EHR data. EHR-RAG introduces three components tailored to longitudinal clinical prediction tasks: Event- and Time-Aware Hybrid EHR Retrieval to preserve clinical structure and temporal dynamics, Adaptive Iterative Retrieval to progressively refine queries in order to expand broad evidence coverage, and Dual-Path Evidence Retrieval and Reasoning to jointly retrieves and reasons over both factual and counterfactual evidence. Experiments across four long-horizon EHR prediction tasks show that EHR-RAG consistently outperforms the strongest LLM-based baselines, achieving an average Macro-F1 improvement of 10.76%. Overall, our work highlights the potential of retrieval-augmented LLMs to advance clinical prediction on structured EHR data in practice.
• Abstract（参考訳）: 電子健康記録 (Electronic Health Records, EHRs) は, 医学的意思決定の中心となる, 大規模言語モデル (LLM) 予測のための検索増強世代 (RAG) の利用を動機とした, 豊富な経時的臨床証拠を提供する。 しかしながら、長期の EHR は LLM の文脈限界を超えることが多く、既存のアプローチでは、臨床的に関連する事象や時間的依存関係を捨てるトランケーションやバニラ検索戦略が一般的である。 これらの課題に対処するために、長い水平構造を持つEHRデータの正確な解釈を目的とした検索拡張フレームワークであるEHR-RAGを提案する。 EHR-RAGは、臨床構造と時間的ダイナミクスを保存するためのイベント・アンド・タイム・アウェア・ハイブリッド EHR検索、広範囲にわたるエビデンスの範囲を広げるためにクエリを段階的に洗練する適応的反復検索、事実と反事実の両方の証拠を共同で回収するデュアルパス証拠検索と推論の3つのコンポーネントを導入している。 4つの長距離EHR予測タスクによる実験では、EHR-RAGは最強のLCMベースのベースラインを一貫して上回り、平均10.76%のマクロF1の改善を達成している。 概して,本研究は,構造化ERHデータに対する臨床予測を推し進めるために,検索拡張LDMの可能性を強調した。

関連論文リスト

• EHR-R1: A Reasoning-Enhanced Foundational Language Model for Electronic Health Record Analysis [78.05962117947259]
  EHR-Insは大規模で総合的なEHR推論命令データセットである。 また,EHR分析に適した最大72Bパラメータを持つ推理強化LDMであるEHR-R1を開発した。 最後に、MIMIC-IVからキュレートされた新しいベンチマークであるEHR-Benchを紹介し、42のタスクにまたがる。
  論文  参考訳（メタデータ） (2025-10-29T15:32:47Z)
• R-Horizon: How Far Can Your Large Reasoning Model Really Go in Breadth and Depth? [63.51955244144878]
  R-HoriZONは、Large Reasoning Models(LRMs)における長い水平推論挙動を刺激するために設計された方法である R-HoriZONに基づいて、長い推論地平線にまたがる相互依存問題を伴う複雑な多段階推論タスクを含む、長期水平推論ベンチマークを構築する。 分析の結果, LRMは有効推論長が限られており, 複数の問題に対する思考予算の配分に苦慮していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-09T13:16:22Z)
• Toward Better EHR Reasoning in LLMs: Reinforcement Learning with Expert Attention Guidance [9.106439376182513]
  電子健康記録(EHR)推論のための大規模言語モデル(LLM)は、正確で一般化可能な臨床予測を可能にするために不可欠である。 EAG-RL は LLM の EHR 推論能力を高めるために設計された新しい2段階学習フレームワークである。 EAG-RLは、まず、専門家誘導モンテカルロ木探索を用いて、高品質で段階的な推論軌道を構築する。
  論文  参考訳（メタデータ） (2025-08-19T07:24:48Z)
• HiRef: Leveraging Hierarchical Ontology and Network Refinement for Robust Medication Recommendation [17.45722229030237]
  我々は、ロバストメディカルレコメンデーション(HiRef)のための階層的オントロジーとネットワークリファインメントを提案する。 我々は、自然に木のような関係を捉え、共有された祖先を通して知識の伝達を可能にする双曲空間に実体を埋め込む。 本モデルは,EMHベンチマーク(MIMIC-IIIおよびMIMIC-IV)において高い性能を達成し,シミュレーションできないコード設定下で高い精度を維持する。
  論文  参考訳（メタデータ） (2025-08-14T07:55:03Z)
• Retrieval-Augmented Perception: High-Resolution Image Perception Meets Visual RAG [79.61269381878547]
  マルチモーダル大言語モデル(MLLM)における高分解能画像認識の課題 本稿では,従来の専門的アプローチから脱却し,MLLMの長文能力を高めることにより,最も基本的な考え方を人事知覚に再考する。 本研究では,空間的コンテキストを保ちながら関連する画像作物を抽出・融合する学習自由フレームワークであるRetrieval-Augmented Perception (RAP)を提案する。
  論文  参考訳（メタデータ） (2025-03-03T06:40:21Z)
• Prompting Large Language Models for Zero-Shot Clinical Prediction with Structured Longitudinal Electronic Health Record Data [7.815738943706123]
  大規模言語モデル(LLM)は、伝統的に自然言語処理に向いている。 本研究では, GPT-4 などの LLM の EHR データへの適応性について検討する。 EHRデータの長手性、スパース性、知識を注入した性質に対応するため、本研究は特定の特徴を考慮に入れている。
  論文  参考訳（メタデータ） (2024-01-25T20:14:50Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。