ChatHealthAI：对齐电子健康记录表示与大语言模型以实现落地的临床推理

大语言模型在临床决策支持中展现出强大的自然语言推理能力，但难以有效建模结构化的纵向电子健康记录（EHR）。相比之下，EHR 基础模型虽能学习预测性患者表示，却缺乏可解释的语言推理能力。为此，本文提出 ChatHealthAI，一种多模态推理框架，通过任务感知重采样器，将预训练 EHR 基础模型的结构化表示与冻结大语言模型的语义空间对齐。该框架整合了纵向患者表示与精炼的临床事件描述，在保持准确患者预测的同时，实现了基于临床事实的自然语言推理。实验表明，该方法显著提升了推理质量与可解释性。