EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation
要約
# 1. Introduction
- 電子カルテ（EHR）は臨床意思決定の中核となる縦断的な患者データを提供するが、長期間のEHRはLLMのコンテキストウィンドウを超過し、既存手法は切り捨てや単純な検索に頼っている
- EHR-RAGは、イベント・時間認識ハイブリッド検索（ETHER）、適応的反復検索（AIR）、二重経路エビデンス検索・推論（DER）の3コンポーネントで構成される検索拡張フレームワーク
- 4つの長期EHR予測タスクで最強のLLMベースラインに対し平均Macro-F1が10.76%向上（長期入院3.63%、30日再入院11.28%、急性心筋梗塞16.46%、貧血7.66%）
# 2. Related Work
- 従来の機械学習モデル（RETAIN、GRAM、KerPrint等）やCLMBR-T-Base等の基盤モデルは、タスクごとのラベル付きデータが必要で汎化性に限界がある
- LLMベースの臨床予測が注目されているが、長期EHRへの対応は不十分であり、RAGを用いた既存手法も非構造化データ中心で構造化EHRの時系列・イベント構造を考慮していない
# 3. Methods
- ETHERは数値イベントを指標別に集約し粗から細への選択を行い、テキストイベントにはU字型時間重み付け（直近と初期を重視）を適用するハイブリッド検索手法
- AIRはLLMベースのクエリ精錬により反復的にエビデンスを拡張し、不足している臨床的観点を段階的に補完する
- DERは肯定的（正のアウトカム支持）と否定的（負のアウトカム支持）の二重クエリで独立にエビデンスを検索し、両仮説を比較して最終予測を行うことで確証バイアスを軽減
# 4. Experiments
- EHRSHOTベンチマーク（MIMIC-IVより2.3倍多いイベント、95.2倍多い受診回数）で評価し、GPT-5、Claude-Opus-4.5、LLaMA-3.1-8Bの3つのLLMで検証
- EHR-RAGは全4タスクで直接生成、バニラRAG、Uniform RAG、Rule-based RAG、ReAct RAGを上回り、特にクラス不均衡タスクで顕著な改善
- アブレーション分析で各コンポーネント（ETHER、AIR、DER）が相乗的に貢献し、従来MLベースライン（Count-based LR、CLMBR-based LR）に対しても低データ環境で優位、フルデータでも同等以上
# 5. Conclusion
- EHR-RAGは長期EHRとLLMの橋渡しを目的とした検索拡張フレームワークであり、コンテキスト制約下でも信頼性の高い臨床予測を実現
- イベント・時間認識検索、適応的反復精錬、二重経路推論の組み合わせにより、多様な長期臨床予測タスクで一貫した性能向上を達成
評価
# 新規性
- 長期間にわたる構造化EHRデータに特化した初のRAGフレームワーク（EHR-RAG）の提案
- Event- and Time-Aware Hybrid EHR Retrieval（ETHER）による臨床構造と時間的ダイナミクスの保存
- Adaptive Iterative Retrieval（AIR）によるクエリの段階的精緻化とエビデンスカバレッジの拡大
- Dual-Path Evidence Retrieval and Reasoning（DER）による事実的・反事実的エビデンスの同時検索と推論
- U字型時間認識検索戦略による初期イベントと最新イベントの両方を重視する検索手法
# 言及されている全ての関連研究との相違点
- RETAIN (Choi et al., 2016)との違い: RETAINはアテンションメカニズムで解釈可能性を重視するが、EHR-RAGはLLMとRAGを組み合わせて長期EHRの文脈制約を克服
- GRAM (Choi et al., 2017)との違い: GRAMは医療知識グラフを用いた階層的表現学習だが、EHR-RAGは検索拡張生成で動的にエビデンスを取得
- KerPrint (Yang et al., 2023)との違い: KerPrintは時間・階層パターンの捕捉に特化するが、EHR-RAGは時間認識検索と双方向推論を統合
- CLMBR-T-Base (Wornow et al., 2023)との違い: CLMBRは事前学習した基盤モデルだが、EHR-RAGはゼロショットでラベルデータ不要
- Virchow (Vorontsov et al., 2024)との違い: Virchowは病理学に特化した基盤モデルだが、EHR-RAGは構造化EHRの長期予測に焦点
- MIRA (Li et al., 2025a)との違い: MIRAは医療時系列基盤モデルだが、EHR-RAGはRAGベースでコンテキスト制限を解決
- Direct Generation (Lin et al., 2025)との違い: 直接生成は最新イベントの切り捨てに依存するが、EHR-RAGは構造化検索でエビデンス完全性を維持
- REALM (Zhu et al., 2024b)との違い: REALMはマルチモーダルEHR分析向けだが、EHR-RAGは長期構造化EHRに特化した検索設計
- EMERGE (Zhu et al., 2024a)との違い: EMERGEはマルチモーダルEHR予測にRAGを統合するが、EHR-RAGはイベント・時間認識の独自検索機構を持つ
- ReAct RAG (Yao et al., 2022)との違い: ReActは汎用的な推論・行動フレームワークだが、EHR-RAGは臨床ドメイン固有の設計で一貫した改善を実現
- Rule-based RAG (Liao et al., 2025)との違い: ルールベースは頻出イベント優先でバイアスが生じるが、EHR-RAGは意味・時間の両面でバランスの取れた検索
- Uniform RAG (Liu et al., 2024)との違い: 均一RAGはランダムサンプリングで不安定だが、EHR-RAGは適応的反復検索で堅牢性を確保
- Self-RAG (Asai et al., 2023)との違い: Self-RAGは自己反省による検索・生成・批評だが、EHR-RAGは臨床予測に特化した双経路エビデンス推論
- EHR-KnowGen (Niu et al., 2024)との違い: EHR-KnowGenはマルチモーダル学習による疾患診断生成だが、EHR-RAGは長期予測に焦点
- GraphCare (Jiang et al., 2023)との違い: GraphCareは知識グラフで予測を強化するが、EHR-RAGは検索拡張で文脈制限を解決
- EHRAgent (Shi et al., 2024)との違い: EHRAgentはコード生成でEHR推論を支援するが、EHR-RAGは検索ベースのエビデンス統合アプローチ
- 時間認識検索研究 (Abdallah et al., 2025; Cao et al., 2024b)との違い: 従来の時間重み付けは単調減衰だが、EHR-RAGはU字型で初期・最新イベントの両方を重視
# 有効性
- 4つの長期EHR予測タスクでベースラインに対し平均Macro-F1が10.76%向上
- Long Length of Stayで3.63%、30-day Readmissionで11.28%、Acute MIで16.46%、Anemiaで7.66%のMacro-F1改善
- GPT-5、Claude-Opus-4.5、LLaMA-3.1-8Bの3つの異なるLLMバックボーンで一貫した性能向上を確認
- 低リソース設定（ラベルデータが少ない場合）で従来の機械学習ベースラインを上回る性能
- フルデータ設定でもCLMBRベースの従来手法と同等以上の性能を達成
- アブレーション実験でETHER、AIR、DERの各コンポーネントが相乗的に性能向上に寄与することを確認
- 詳細なケーススタディで、直接生成やバニラRAGが確証バイアスで誤分類するケースをEHR-RAGが正しく予測
# 信頼性
- データの規模・質について: EHRSHOTベンチマークを使用（MIMIC-IVより平均2.3倍の臨床イベント、95.2倍のエンカウンターを持つ長期縦断的EHRデータ）
- 再現性について: 3つの異なるLLMバックボーン（GPT-5、Claude-Opus-4.5、LLaMA-3.1-8B）で一貫した結果を確認、PhysioNetのデータ使用ガイドラインに準拠
- 統計的妥当性について: Accuracy、Macro-F1、クラス別F1スコアを報告、4つの異なる臨床予測タスク（操作的結果、診断割り当て、検査結果予測）で評価
- 比較の公平性について: 全ベースラインで同一のLLMバックボーンとコンテキスト予算（128,000トークン）を使用
- 限界の明示について: 研究貢献としての位置づけであり臨床システムへの直接展開ではないこと、プライバシー・公平性への配慮を明記
和訳
![]()
1 / 1
100%
