电子健康记录的总结可以极大地减少患者和医务人员的“屏幕时间”。近年来，通过使用最先进的神经模型，电子健康记录的总结已经采用了机器学习流程。然而，这些模型产生了不够令人满意的结果，这要归因于很难获取足够的注释数据进行训练。此外，考虑到电子健康记录的整个内容在总结中的要求，由于现代大型语言模型（LLMs）中的注意机制增加了二次复杂度，导致性能较差。我们在此提出了一种方法，通过结合语义搜索、检索增强生成（RAG）和使用最新的LLMs的问答方法来减轻这些缺点。在我们的方法中，总结是根据专业学科专家（SMEs）认为的重要问题的答案的提取。我们的方法非常高效；几乎不需要训练；不会受到LLMs的“幻觉”问题的困扰；而且可以确保多样性，因为总结中不会有重复的内容，而是针对特定问题的多样答案。

Jan, 2024

大型语言模型（LLMs）在医疗应用中具有重要潜力，而检索增强生成（RAG）被认为是一种有前景的方法来定制LLMs中的领域知识。该研究通过开发和评估一个专门针对医疗保健领域、特别关注术前医学的LLM-RAG流程，验证了其可行性。

Jan, 2024

提出了一种名为REALM的框架，通过整合多模态电子健康记录（EHR）数据和知识图谱 (KG)，利用大型语言模型 (LLM) 编码临床笔记，并使用 GRU 模型编码时间序列 EHR 数据，提取任务相关的医疗实体，并将这些实体与专业标记的外部知识图谱 (PrimeKG) 进行匹配，通过适应性多模态融合网络将提取的知识与多模态 EHR 数据进行整合，最后通过对MIMIC-III的死亡率和再入院任务的大量实验，证明了REALM框架相比基线模型具有更优异的性能，强调了每个模块的有效性，从而改进了在医疗保健中利用多模态 EHR 数据并弥合了为明智临床预测所必需的细致医疗背景的差距。

Feb, 2024

通过利用知识图谱缓解信息过载问题，本研究提出了一种新的信息检索方法，其检索性能在精确度和召回率两方面约为嵌入相似性方法的两倍，并且证明了嵌入相似性和知识图谱检索方法可以有益地结合成一个混合模型，优于两者，从而能够对生物医学问答模型进行潜在改进。

Feb, 2024

通过在医学问答数据集上的大规模实验，我们提出了一种基于检索增强生成的评估框架MIRAGE，以改善大型语言模型在医学领域中的表现，并通过引入MedRAG工具包提高了六个不同语言模型的准确性，最高可达到18%，将GPT-3.5和Mixtral的性能提升至GPT-4级别。

Feb, 2024

RAM-EHR使用检索增强技术改进了电子健康记录的临床预测，它收集多个知识源，转换为文本格式，并使用密集检索获取与医学概念相关的信息，然后使用一种一致性正则化方法来增强本地电子健康记录预测模型以捕获患者就诊和总结知识的互补信息。通过两个电子健康记录数据集上的实验证明RAM-EHR相比之前的知识增强基准模型更有效(增加了3.4%的AUROC和7.2%的AUPR)，强调了RAM-EHR的总结知识在临床预测任务中的有效性。

Feb, 2024

引入一种基于文本到SQL生成和检索增强生成（RAG）的端到端方法，利用电子健康记录和索赔数据回答流行病学问题，研究表明该方法显著提高了性能，对提高语言模型能力有应用前景。

Mar, 2024

利用生成式大语言模型检索和提取信息，构建领域特定的检索器，为临床医疗组织提供解决真实世界电子病历数据查询问题的路径。

Apr, 2024

本研究针对医学领域的特定问题，提出了一种新的图形检索增强生成框架MedGraphRAG，以提升大型语言模型的能力和生成基于证据的结果，从而提高处理私人医疗数据时的安全性和可靠性。通过构建三层次层次化图结构，该方法在信息检索和响应生成方面取得显著进展，有效验证了其在医学问答基准上优于现有模型的性能。

Aug, 2024

本研究解决了大型语言模型在医学应用中生成缺乏支持证据或基于虚构证据的回答的问题。通过开发包含70,000份眼科特定文档的检索增强生成(RAG)管道，研究系统性地评估了在100个健康问题上含RAG和不含RAG的LLM的回应，发现RAG显著提高了准确性，并减少了错误率，表明其在医学领域的应用潜力。

Sep, 2024