arXiv cs.AI· Min Xiao, Jin Li, Shoujin Wang, Yeguang Zhen, Yishuo Li, Wenpeng Lu·· 11 小时前AI 评分24
HEM-Med：面向安全多中心用药推荐的分层智能体记忆框架
HEM-Med: A Hierarchical Agentic Memory Framework for Safe Multi-Center Medication Recommendation
AI 导读
HEM-Med 是一个面向多中心用药推荐的分层智能体记忆框架，通过解耦分层记忆模块将跨医院临床经验与医院特有处方模式分离，并引入安全感知用药集合生成模块处理药物相互作用风险与本地处方集可行性。在真实多中心 eICU 数据集上，其推荐准确性与安全性均优于代表性迁移学习、基于 LLM 及用药推荐基线。
正文 · AI 翻译
摘要：用药推荐（MR）对临床决策支持至关重要。现有 MR 方法大多面向单中心学习，即只涉及一家独立医院，而不同规模医院之间的多中心 MR 在实际中需求日益增长。在多中心场景下，来自大型医疗中心的丰富数据可以提升低资源中心的推荐性能。尽管该任务已有少量初步尝试，但仍存在两个关键缺口。缺口 1：现有多中心方法未能将可迁移的跨医院临床经验与医院特有的处方模式解耦，限制了临床可行性和医生接受度。缺口 2：它们通常忽视 MR 的多标签安全约束，包括药物相互作用风险和本地处方集可行性，而这些对安全的实际部署至关重要。为弥补这些缺口，我们提出 HEM-Med，一种用于多中心 MR 的新型分层智能体记忆框架。针对缺口 1，我们设计了解耦分层记忆模块，构建患者级用药上下文归因记录，并将其解耦为跨医院经验记忆和医院特定残差记忆。针对缺口 2，我们引入安全感知用药集生成模块，将双层经验检索与安全感知集合解码相结合，以生成临床相关、更安全且本地自适应的用药推荐。在真实多中心 eICU 数据集上的实验表明，HEM-Med 在推荐准确性和安全性方面均优于代表性的迁移学习、基于 LLM 和 MR 的基线方法。
| 评论： | BIBM 2026 |
| 主题： | 人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.20191 [cs.AI] |
| （或 arXiv:2610.20191v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20191 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Min Xiao [查看电子邮件]
[v1]
2026年10月14日星期三 13:39:34 UTC（1,185 KB）
[v2]
2026年10月16日星期五 08:52:31 UTC（1,186 KB）
来源：arXiv cs.AI · arxiv.org