TRACE：通过智能体上下文演化进行流式电子健康记录的时间推理

大型语言模型（LLMs）虽然包含丰富的医学知识，但在处理长期患者轨迹时表现不佳，因为临床状态的演变、时间不规则性和异构事件会随着时间推移降低性能。现有的适应策略依赖于微调或检索增强，这引入了计算开销、隐私限制或长上下文下的不稳定性。本文提出TRACE（Temporal Reasoning via Agentic Context Evolution），一种通过显式结构化和维护上下文而非扩展上下文窗口或更新参数来实现时间临床推理的框架。TRACE采用双记忆架构，包括静态的全局协议（编码机构临床规则）和动态的个体协议（跟踪患者特定状态）。四个智能体组件——路由器、推理器、审计员和管家——在该结构化内存上协调工作，以支持时间推理和状态演化。该框架通过结构化状态压缩和选择性审计关键临床决策来保持有限的推理成本。在MIMIC-IV的纵向临床事件流上评估，TRACE在长期上下文和检索增强基线中显著提高了下一次事件预测准确性、协议遵循度和临床安全性，并生成可解释和可审计的推理轨迹。