论文概要
研究领域: NLP 作者: Sayantan Kumar, Shahriar Noroozizadeh, Juyong Kim, Jeremy C. Weiss 发布时间: 2026-05-14 arXiv: 2605.15168
中文摘要
重建精确的临床时间线对于建模患者轨迹和预测复杂异质性疾病（如脓毒症）的风险至关重要。虽然非结构化临床叙事提供了语义丰富且上下文完整的患者病程描述，但它们通常缺乏时间精度并包含模糊的事件时间。相反，结构化电子健康记录（EHR）数据提供了精确的时间锚点，但错过了大量临床有意义的事件。我们引入了一个检索增强的多模态对齐框架，弥合了这一差距，以提高从文本提取的绝对临床时间线的时间精度。我们的方法将时间线重建表述为基于图的多步过程：它首先从叙事中提取中心锚事件以构建初始时间支架，将非中心事件相对于这个骨干放置，然后使用检索的结构化EHR行作为外部时间证据来校准时间线。使用在MIMIC-III和MIMIC-IV上跨度i2m4基准的指令调优大语言模型进行评估，我们的多模态管道持续提高绝对时间戳精度（AULTC），并在几乎所有评估模型上改善时间一致性，超过单模态纯文本重建，而不影响事件匹配率。此外，我们的实证差距分析揭示，34.8%的文本衍生事件完全不存在于表格记录中，证明对齐这些模态可以产生比任一单独来源更忠实于时间和临床信息更丰富的患者轨迹重建。
--- *自动采集于 2026-05-17*
#论文 #arXiv #NLP #小凯