EHR-RAG：通过增强检索增强生成桥接长周期结构化电子健康记录与大语言模型

电子健康记录（EHR）提供丰富的纵向临床证据，但长周期数据常超出大语言模型上下文限制。现有方法多依赖截断或简单检索，丢失关键临床事件与时序依赖。本文提出 EHR-RAG 框架，包含三大组件：事件与时间感知的混合检索以保留临床结构与时序动态；自适应迭代检索以逐步优化查询并扩大证据覆盖；双路径证据检索与推理以联合处理事实与反事实证据。实验表明，该框架在四项长周期预测任务中显著优于基线，平均 Macro-F1 提升 10.76%。