Компьютерные науки > Вычисления и язык [представлен 16 сентября 2026 года] Название: EviGen: Прогнозируемые доказательства для поддающегося проверке клинического обоснования поколения PDF HTML (экспериментальный) Резюме: Логитудинальные электронные медицинские записи (ЭПЧ) фиксируют годы истории пациентов по нот, кодам, лабораториям и процедурам и содержат данные, необходимые для объяснения вероятных результатов лечения. Вместе с тем всеобъемлющий медицинский обзор этих записей непрактичен, а обработка на основе ОЖЗ сопряжена со значительными затратами и зачастую является недостоверной, в то же время отсутствует ряд соответствующих наблюдений, при этом галлюцинация других. Поэтому мы предлагаем Эвигену, трехслойную основу для поддающегося проверке клинического обоснования, которая позволит решить эти проблемы. Первый слой - это кондиционированный пациентом ретривер, который использует обучаемые запросы для поиска доказательств предсказания клинического результата, а не просто текстового, и его ранжирует по значениям аккредитования. Второй слой — это генератор LLM, который поглощает эти данные в качестве строительного строения для получения клинического обоснования на основе извлеченных полостей. Третий уровень - это проверяющий процесс, который проверяет логическое обоснование на уровне аргументации и выявляет ненадежные требования. В трех наборах медицинских прогнозов EviGen повышает эффективность прогнозирования и логику в сравнении с полными фоновыми данными LLM и RAG, а…
EviGen: Предсказуемые доказательства для поддающегося проверке клинического обоснования
arXiv: 2609.18852v1 Сообщение типа: новое резюме: продольные электронные медицинские записи (ЭПЧ) отражают годы истории пациентов по ноты, коды, лаборатории и процедуры и содержат доказательства, необходимые для объяснения вероятных клинических результатов. Вместе с тем всеобъемлющий медицинский обзор этих записей непрактичен, а обработка на основе ОЖЗ сопряжена со значительными затратами и зачастую является недостоверной, в то же время отсутствует ряд соответствующих наблюдений, при этом галлюцинация других. Поэтому мы предлагаем Эвигену, трехслойную основу для поддающегося проверке клинического обоснования, которая позволит решить эти проблемы. Первый слой - это кондиционированный пациентом ретривер, который использует обучаемые запросы для поиска доказательств предсказания клинического результата, а не просто текстового, и его ранжирует по значениям аккредитования. Второй слой — это генератор LLM, который поглощает эти данные в качестве строительного строения для получения клинического обоснования на основе извлеченных полостей. Третий слой - это проверяющий процесс, который проверяет генерируемое r