GLoC-EHR：基于全局上下文与本地电子病历事件的可引证临床推理

GLoC-EHR 是一种多模态语言模型，通过固定大小的全局记忆编码患者完整临床轨迹、局部记忆编码选定事件，先对齐临床文本，再用 rationale 微调与 GRPO 训练模型在回答前引用证据。在 MIMIC-IV 三项结局任务上直接作答时 macro AUROC 最高，零样本 LLM 读取序列化病历明显落后；引用证据推理后性能接近直接多任务版本，并减少无支撑证据；局部记忆在严格匹配下补充了不同发现；无需重训即可迁移到 EHRSHOT，与 EHR-BERT 相当。

此前从结构化 EHR 回答临床问题多依赖读取序列化记录的通用 LLM，或仅做单一结局预测的判别模型，往往缺少对支持性事件的显式引用。该工作把全局轨迹记忆与局部事件记忆分离，并将证据引用纳入训练目标，使模型在保持预测性能的同时输出可核验依据，并展示了跨数据集迁移能力。

模型用固定大小的全局记忆压缩患者整条编码轨迹，用局部记忆保留具体事件，通过从全局记忆生成住院过程摘要、从局部记忆生成被掩码概念描述，使两种表示与临床文本对齐。随后先做 rationale 微调，再用 GRPO 以答案正确和证据受病历支持为奖励，促使模型先引证后作答，从而在推理时同时利用整体上下文与关键事件。

对临床决策支持类产品，这意味着模型输出可以附上被病历支持的证据项，便于医生核验与合规审计，降低把无依据结论直接呈现给用户的风险。研发上需投入记忆模块与证据对齐训练，并设计证据展示与回溯界面；推理仍可在不重训情况下迁移到新数据源，有利于降低跨机构部署成本。

• 在临床摘要或问答产品中加入证据引用展示层，让医生可点击查看支持答案的原始事件。
• 面向医院数据团队，提供基于全局轨迹记忆的患者风险预测接口，并同时输出支持性事件列表。
• 针对新客户数据集，先用零样本或轻量适配评估迁移效果，再决定是否进行 rationale 微调与 GRPO 训练。
• 构建证据质量评估工具，统计无支撑证据比例，作为上线前的模型验收指标。

• 论文所述证据未覆盖具体推理延迟、显存占用和训练成本，实际部署可行性待确认。
• MIMIC-IV 与 EHRSHOT 之外的真实医院数据上表现是否稳定，尚未验证。
• 证据引用在临床工作流中能否真正降低医生核验时间，缺少用户研究。
• 与 EHR-BERT 等基线相比，模型在更多结局任务和不同编码体系下的泛化能力待确认。