基于严重性知识图谱和检索增强生成的轨迹感知临床风险预测

# 轨迹感知的临床风险预测：基于严重性知识图谱与检索增强生成  
来源：https://arxiv.org/html/2607.18270 \(2026\)  

###### 摘要  
尽管电子健康记录（EHR）提供了丰富的临床数据，但如何有效利用异质性外部知识增强患者记录以预测临床风险仍是一项重大挑战。现有方法由于数据稀疏性以及对非结构化临床笔记利用不足，无法捕捉疾病严重程度、治疗反应及细微的临床进展。为解决这些问题，我们提出 **TRACER**（一种轨迹感知且临床根基稳固的预测框架），它能够：(1) 从医学文献中构建蕴含严重性信息的医学知识图谱；(2) 从知识图谱中检索患者进展的临床相关、严重性加权的路径；(3) 从非结构化临床笔记中提取临床相关事件；(4) 利用相似患者案例增强患者上下文。在 MIMIC-III 和 MIMIC-IV 数据集上的实验表明，该方法相比现有最佳基线取得了显著提升，死亡率预测任务的 Macro F1 分数最高提升 28.5%，再入院预测任务最高提升 19.7%。  

电子健康记录、医疗结果预测、知识图谱、严重性评分、检索增强生成  

††版权：ACM 授权  
††期刊年份：2026  
††版权：cc  
††会议：第32届ACM SIGKDD知识发现与数据挖掘会议V.2；2026年8月9–13日，韩国济州岛  
††论文集：第32届ACM SIGKDD知识发现与数据挖掘会议V.2 (KDD '26)，2026年8月9–13日，韩国济州岛  
††doi：10.1145/3770855.3818040  
††isbn：979-8-4007-2259-2/2026/08  
††ccs：应用计算→医疗信息系统  
††ccs：信息系统→信息检索  
††ccs：计算方法→知识表示与推理  

参见图1  
图1：死亡率预测任务中不同就诊序列长度下的 Macro F1 与敏感性，以及按就诊次数划分的患者百分比。  

## 1. 引言  
临床风险预测旨在评估不良结局（如死亡率 (Lyu 等, 2022 (https://arxiv.org/html/2607.18270#bib.bib42); Yang 等, 2022 (https://arxiv.org/html/2607.18270#bib.bib43)) 和再入院 (Huang 等, 2020 (https://arxiv.org/html/2607.18270#bib.bib44); Allam 等, 2019 (https://arxiv.org/html/2607.18270#bib.bib45))）的临床风险，从而支持早期干预以帮助预防这些关键事件。为此，近年来的临床预测方法依赖于电子健康记录（EHR），其中包含患者带时间戳的病史（关联医学概念如诊断、手术、药物）、人口统计数据及临床笔记。基于 EHR，近期研究利用知识图谱 (KG) (Choi 等, 2017 (https://arxiv.org/html/2607.18270#bib.bib29); Xu 等, 2023b (https://arxiv.org/html/2607.18270#bib.bib32); Wang 等, 2024b (https://arxiv.org/html/2607.18270#bib.bib47))，并从外部文献（如 PubMed (Canese 和 Weis, 2013 (https://arxiv.org/html/2607.18270#bib.bib60))）中检索相关医学信息 (Xiong 等, 2024 (https://arxiv.org/html/2607.18270#bib.bib49))。值得注意的是，几种方法 (Lu 等, 2022 (https://arxiv.org/html/2607.18270#bib.bib52); Pellegrini 等, 2025 (https://arxiv.org/html/2607.18270#bib.bib54)) 会为目标患者的就诊序列构建一个通常与医学概念相关的患者特定 KG 子图。  

尽管临床风险预测最近取得了进展，但这些方法仍存在若干局限性。首先，它们往往难以应对真实世界 EHR 中患者就诊历史的稀疏性和不规则性。大多数患者只有有限的记录就诊次数，且就诊间隔通常各异且较长。在这种条件下，现有的序列模型可能无法捕捉有意义的时序动态或识别疾病进展中的关键转折点。虽然基于 KG 的方法 (Jiang 等, 2025 (https://arxiv.org/html/2607.18270#bib.bib7), 2024 (https://arxiv.org/html/2607.18270#bib.bib8)) 试图通过引入外部医学知识来缓解此问题，但它们仅选择性提取患者 EHR 中每个医学概念相关的个体知识，且通常平等对待所有医学概念，忽略了不同诊断可能具有不同的临床重要性。因此，这些方法无法捕捉概念的严重性及跨就诊的高度可能疾病进展，从而容易忽视临床关键的“警示”事件。这一局限性因真实世界数据的极度稀疏而加剧。如图1 (https://arxiv.org/html/2607.18270#S0.F1) 所示，MIMIC-III 数据集中 68.6% 的患者仅有一次就诊记录，绝大多数（95.7%）患者就诊次数少于五次。在这种稀疏条件下，GraphCare、DearLLM 和 KARE 等现有最佳基线表现出显著的性能下降。对于就诊次数 ≤ 5 的有限病史患者，在死亡率预测任务中，Macro F1 分数始终低于 0.7，敏感性除了 KARE 在五次就诊时外均不超过 0.5¹¹在再入院预测任务中观察到了类似趋势，详细结果见附录 F (https://arxiv.org/html/2607.18270#A6)。Macro F1 的下降和敏感性在不同就诊次数组间的变化反映了结果发生率在各亚组间的差异，且所有比较模型均呈现相同趋势。。其次，它们未充分利用临床笔记中丰富而细微的信息。临床叙述通常编码了高价值信号，如医生的评估、疑似并发症、治疗反应及患者状况的细微变化。然而，现有方法要么完全忽略这些文本来源，要么仅使用一组有限的提取医学概念作为患者特征。这种简化剥离了临床上关键的上下文和叙述性证据，而这些对识别早期预警信号和解释不良临床结果至关重要。  

这些局限性提供了三个重要潜在解决方案的启示：(i) 利用医学 KG 和文献中与患者稀疏就诊序列高度相关的连接知识来增强该序列，以揭示其健康状况的潜在进展；(ii) 利用临床笔记中细微的文本上下文来捕捉患者的主观抱怨和反应，这些往往被现有方法忽视；(iii) 仅依赖患者自身历史往往无法利用历史上相似患者队列中蕴含的临床经验，尤其是在个人数据稀缺时。受这些启示，我们提出 TRACER，一种新的检索增强生成 (RAG) 框架，用于轨迹感知且临床根基稳固的临床风险预测，它明确考虑了疾病严重性、个人叙述性证据以及队列级经验。  

首先，为解决稀疏就诊历史和对诊断的平等对待问题，TRACER 构建了一个新颖的医学知识图谱 SMKG，通过基于精选医学文献和临床指南为诊断分配临床有意义的分数来将严重性作为基础。严重性基础使模型能够区分临床关键诊断和警示事件与次要状况。给定患者纵向就诊序列，TRACER 检索严重性感知的医学轨迹，这些轨迹是连接相邻就诊概念间的顺序路径，即使在稀疏观测下也能捕捉临床合理的疾病进展。此外，为超越对单个患者历史的依赖，TRACER 根据近期就诊模式和轨迹检索临床相似的患者案例，使 LLM 能够利用历史上相似队列中观察到的结果模式和进展动态。其次，为充分利用文本证据，TRACER 用临床笔记中的显著证据丰富每条检索到的轨迹，捕捉结构化 EHR 编码中常被省略或过度简化的细微信号，如临床医生的评估、疑似并发症、治疗反应及患者报告的症状。通过在 RAG 框架中联合集成严重性感知的 KG 轨迹、临床文本证据和相似患者检索，TRACER 不仅提高了在真实稀疏 EHR 下的预测性能，还提供了路径级、临床可解释的解释。  

我们的主要贡献总结如下：  
- •我们提出了严重性基础医学知识图谱 (SMKG)，通过从医学文献中获取细粒度、诊断级的严重性分数来构建。  
- •我们通过以下方式解决数据稀疏问题：(a) 利用 SMKG 中患者特定且严重性感知的跨就诊进展路径来增强目标患者的稀疏数据，(b) 使用临床相似的患者案例，两者使 LLM 能够在数据稀疏下基于细微的患者状态变化进行推理。  
- •我们提出利用临床笔记中的显著且细微的文本证据，从而实现对警示事件和个人经历的稳健建模。  
- •我们在 MIMIC-III 和 MIMIC-IV 数据集上展示了两个任务（即死亡率预测和再入院预测）的一致且显著性能提升，同时提供了路径级、临床基础的解释，增强了可解释性和可信度。  

## 2. 相关工作  
早期的临床风险预测方法 (Cho 等, 2014 (https://arxiv.org/html/2607.18270#bib.bib19); Vaswani 等, 2017 (https://arxiv.org/html/2607.18270#bib.bib22); Bai 等, 2018 (https://arxiv.org/html/2607.18270#bib.bib20); Nguyen 等, 2017 (https://arxiv.org/html/2607.18270#bib.bib21); Choi 等, 2016 (https://arxiv.org/html/2607.18270#bib.bib4); Luo 等, 2020 (https://arxiv.org/html/2607.18270#bib.bib23); Ma 等, 2020a (https://arxiv.org/html/2607.18270#bib.bib25), b (https://arxiv.org/html/2607.18270#bib.bib24); Gao 等, 2020 (https://arxiv.org/html/2607.18270#bib.bib26)) 主要专注于在无外部知识的情况下对患者就诊序列的时序动态进行建模。相比之下，近期方法聚焦于两个方向：(i) 从 EHR 数据构建医学 KG，并从基于患者就诊信息的外部 KG 中提取子图；(ii) 从外部知识源检索文本信息以补充 EHR 数据进行临床风险预测。  

**基于图的临床风险预测**。为捕捉患者状态间的复杂交互以及诊断与治疗之间的关系，多种方法利用 KG。GRAM (Choi 等, 2017 (https://arxiv.org/html/2607.18270#bib.bib29)) 和 KAME (Ma 等, 2018 (https://arxiv.org/html/2607.18270#bib.bib28)) 构建带注意力机制的医学 KG 以丰富患者嵌入。GRASP (Zhang 等, 2021 (https://arxiv.org/html/2607.18270#bib.bib3)) 将相似患者聚类为组，并将组质心之间的关系建模为图。KerPrint (Yang 等, 2023 (https://arxiv.org/html/2607.18270#bib.bib10)) 构建时间感知的个性化 KG 以建模疾病进展。GraphCare (Jiang 等, 2024 (https://arxiv.org/html/2607.18270#bib.bib8)) 通过整合每位患者的诊断、手术和药物来构建个性化 KG。然而，它们仅提取 KG 中患者相关医学概念的 1 跳邻居，且忽略医学概念的严重性，因此无法捕捉高风险事件并忽视就诊间的隐藏临床进展。  

**基于文本的临床风险预测**。先前的基于文本的方法 (Ye 等, 2021 (https://arxiv.org/html/2607.18270#bib.bib27); Darabi 等, 2020 (https://arxiv.org/html/2607.18270#bib.bib62)) 从结构化 EHR 数据中检索临床相关信息。近期，由于 LLM 具有高级推理能力，它们被应用于医疗任务。KARE (Jiang 等, 2025 (https://arxiv.org/html/2607.18270#bib.bib7)) 通过定制的提示将 EHR 与外部知识整合以生成预测证据。DearLLM (Xu 等, 2025 (https://arxiv.org/html/2607.18270#bib.bib9)) 通过测量 LLM 在给定一个医学概念时预测另一个概念的可能性来量化概念之间的关联，使用患者特定的提示。CPLLM (Shoham 和 Rappoport, 2024 (https://arxiv.org/html/2607.18270#bib.bib35)) 在线性化的 EHR 数据上微调 LLM。此外，还有一些方法利用 LLM 进行临床文本理解，例如检索和总结相关文档 (Xu 等, 2024 (https://arxiv.org/html/2607.18270#bib.bib31)) 或从临床笔记中提取医学概念 (Zhu 等, 2024a (https://arxiv.org/html/2607.18270#bib.bib34))。然而，这些方法要么忽视临床笔记，要么未能充分利用其丰富的文本信息。它们还忽略了诊断的严重性，导致遗漏细微的临床知识。  

## 3. 预备知识  
### 3.1. 电子健康记录  
医学概念 \(c \in C\) 指诊断、手术或药物，其中 \(C\) 是所有医学概念的集合，例如高血压（诊断）、阑尾切除术（手术）和二甲双胍（药物）。电子健康记录（EHR）包括患者的就诊记录、人口统计数据及临床文本记录。对于每位患者，其就诊记录表示为按时间顺序排列的序列 \([x_1, x_2, \ldots, x_t]\)，其中每次就诊 \(x_i \subseteq C\) 包含该患者在第 \(i\) 次就诊时提供的诊断、手术和药物。人口统计数据 \(d_i\) 包含患者在 \(i\) 次就诊时可用的属性，如民族、年龄和性别。我们将患者在第 \(i\) 次就诊时的临床笔记集合记为 \(\mathcal{R}_i = \{r_{i,1}, \ldots, r_{i,m_i}\}\)，其中每条临床笔记代表一份病程记录、出院小结或医生笔记，\(m_i\) 表示 \(\mathcal{R}_i\) 中的临床笔记数量。患者的所有临床文本记录表示为 \(\mathcal{R} = \{\mathcal{R}_1, \ldots, \mathcal{R}_t\}\)。EHR 的更详细信息见附录 C (https://arxiv.org/html/2607.18270#A3)。  

### 3.2. 问题形式化  
对于死亡率预测和再入院预测等临床风险预测任务，我们的目标是根据患者截至最新就诊时间 \(T\) 的 EHR 来预测特定的临床结局。患者的 EHR 表示为历史就诊序列 \([x_1, \ldots, x_T]\)、人口统计数据 \(d_T\) 以及临床笔记集合 \(\mathcal{R}\)。预测结局定义如下。  

**死亡率预测**。死亡率预测旨在预测患者的生存状态 \(y \in \{0,1\}\)，其中 0 表示患者将存活，1 表示患者将死亡。  

**再入院预测**。再入院预测旨在确定一个二元结局 \(y \in \{0,1\}\)，表示患者是否会在从最近一次历史就诊 \(x_T\) 出院后的 \(\sigma\) 天内再次入院。遵循先前工作 (Jiang 等, 2024 (https://arxiv.org/html/2607.18270#bib.bib8), 2025 (https://