English(EN) Reinforcement Learning over Patient Trajectories for Clinical Reasoning in EHR Foundation Models

强化学习增强电子健康记录基础模型的临床推理能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-14 04:00

研究人员开发了一个新的强化学习（RL）框架，以增强在电子健康记录（EHR）上训练的基础模型的临床推理能力。该方法将EHR基础模型视为生成策略，将临床预测任务制定为事件条件、时间窗口化的推理问题。该框架结合了时间感知奖励，以考虑有限的推出长度和不确定的结果，在现有预训练模型和强基线模型上均显示出持续的改进。值得注意的是，这种RL微调使较小的模型在数据受限的情况下能够优于较大的模型，并促进了不同临床任务之间的积极知识转移。 AI

影响这项研究可能带来更准确、更可靠的临床决策支持系统，从而改善患者护理和治疗效果。

排序理由该集群包含一篇详细介绍AI模型新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 23 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍AI模型新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yuxin Xiao, Sheng Zhang, Chandan Singh, Tristan Naumann, Hoifung Poon, Jianfeng Gao, Xiaodong Liu · 2026-09-14 04:00

基于电子病历基础模型的患者轨迹强化学习用于临床推理

arXiv:2609.12277v1 Announce Type: new Abstract: Electronic health record (EHR) foundation models trained on longitudinal patient trajectories have demonstrated strong performance across diverse clinical prediction tasks. However, their clinical reasoning capabilities remain const…

本文如何被排名

报道来源 [1]

基于电子病历基础模型的患者轨迹强化学习用于临床推理

相关实体

相关话题