arXiv cs.AI· Zhaoyu Fan, Bowen Han, Jincheng Ou, Yanwei Ren, Zehua He, Kaiyu Huang, Pengcheng He, Shanshan Ni, Chengchen Gong, Shuai Xue, Qingjiang Shi·· 3 天前AI 评分31
ProCARE：通过 Profile 驱动的证据契约实现真实世界研究自动化
ProCARE: Real-World Study Automation via Profile-Grounded Evidence Contracts
AI 导读
ProCARE 将真实世界研究（RWS）自动化重构为约束编译，把异构数据 Profile 转为 Evidence Contracts，并将研究目标编译为强类型中间表示 RWS-IR，再经确定性验证与局部修复检查生成的工作流。
正文 · AI 翻译
作者：Zhaoyu Fan、Bowen Han、Jincheng Ou、Yanwei Ren、Zehua He、Kaiyu Huang、Pengcheng He、Shanshan Ni、Chengchen Gong、Shuai Xue、Qingjiang Shi
摘要：真实世界研究（RWS）分析常规收集的医疗数据，如电子健康记录和保险理赔数据，以在随机试验之外估计治疗效果、监测安全性并识别风险因素。用大语言模型智能体自动化 RWS 很有吸引力，但也很脆弱：有效的分析依赖于数据集特定的临床语义，包括索引日期、随访窗口、患者/事件级单位以及观察性数据中通常隐含的结果边界。这会导致模式不匹配、时间错误、分析粒度不一致以及缺乏支持的临床结论。我们提出 ProCARE，一个基于画像的框架，将 RWS 自动化重新表述为受约束的编译。ProCARE 将异构数据画像转换为证据契约，明确可用变量、时间属性、分布和证据限制，并将研究目标编译为 RWS-IR，一种用于变量、时间关系、分析单元和统计任务的强类型中间表示。确定性验证和局部修复随后在模式映射、队列构建、变量推导、分析和解释各环节检查并修正生成的工作流。在 36 个基于 EHR 的基准任务上，ProCARE 在代码可执行性、语义一致性和结论可追溯性方面优于强大的 LLM 智能体基线，自动违规诊断与盲法专家评审显示出中等至高度的一致性。
| Comments: | 42 页，5 幅图，含附录。已被 NeurIPS'26 接收。代码与基准：this https URL |
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2610.16175 [cs.AI] |
| （或 arXiv:2610.16175v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16175 arXiv 颁发的 DOI 经由 DataCite（待注册） |
Submission history
来自：Zhaoyu Fan [查看邮箱]
[v1]
2026年10月12日星期一 04:50:24 UTC（2,646 KB）
来源：arXiv cs.AI · arxiv.org