Las notas de alta no estructuradas de las historias clínicas electrónicas contienen evidencia específica de cada paciente que los códigos estandarizados a nivel de cohorte no pueden capturar, pero la señal queda enterrada en un texto extenso y ruidoso escrito sin ninguna predicción específica en mente. El resumen es la mitigación obvia, pero los resúmenes genéricos ajustados por fluidez suelen omitir evidencia decisiva mientras conservan detalles plausibles pero poco informativos.
RASPER entrena al resumidor directamente contra la tarea clínica posterior: el aprendizaje por refuerzo a partir de la retroalimentación de predicción proporciona una recompensa derivada de la pérdida del predictor, y un codificador longitudinal convierte los códigos estructurados en indicaciones suaves (soft prompts) que incorporan el contexto clínico de cada paciente. Recompensar la calidad de la predicción resultante empuja al resumidor a conservar la evidencia que complementa, en lugar de duplicar, los códigos estructurados.
RASPER superó de forma consistente a baselines sólidos en la predicción de reingresos y la recomendación de medicamentos en MIMIC-III y MIMIC-IV, y el artículo fue aceptado en la conferencia principal de EMNLP 2026.
Optimizar el resumen para la decisión a la que alimenta, no para la lectura
Los objetivos orientados a la fluidez no tienen razón alguna para conservar el único detalle que cambia una predicción.
La pérdida del predictor posterior es una señal directa y automática de utilidad probatoria.
Las indicaciones suaves derivadas de los códigos estructurados mantienen los resúmenes complementarios a los códigos en lugar de repetirlos.
El contexto de cada paciente importa: la misma nota justifica resúmenes diferentes para tareas de predicción diferentes.
Cuando un componente alimenta a un modelo posterior, entrenarlo con la retroalimentación de ese modelo en lugar de con una métrica de calidad genérica; la fluidez no es utilidad.
El artículo reporta ganancias consistentes sobre baselines sólidos en la predicción de reingresos y la recomendación de medicamentos en MIMIC-III y MIMIC-IV, con aceptación en la conferencia principal de EMNLP 2026.
CONSULTA LAS PRUEBAS