局部语义修正可大幅降低临床队列修正延迟与模型调用
资讯摘要
论文提出 CohortFlow，一种可接受自然语言修正的临床队列构建智能体：它把修正表示为对结构化队列规范的局部更新，并与持久化执行图对齐，借助显式记录的语义依赖只让受影响计算失效、保留有效结果。在 100 个源自临床试验入排标准、含 126 轮修正的场景中，局部引导的需求 micro-F1 为 77.0%，全量重生成 76.4%，差异不显著（p=0.493）；修正延迟在完成后降低 64.8%、执行中降低 44.3%，模型调用减少 38.1%。MIMIC 概念验证中 13 个队列状态均执行成功。
要点速读
- CohortFlow 将自然语言修正转为结构化队列规范的局部更新，并依据语义依赖选择性失效计算。
- 100 个场景、126 轮修正中，需求 micro-F1 为 77.0% 对 76.4%，差异不显著（p=0.493）。
- 修正延迟在完成后降低 64.8%、执行中降低 44.3%，模型调用减少 38.1%；MIMIC 概念验证 13 个队列状态均执行成功。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。