Notas de alta não estruturadas em registros eletrônicos de saúde carregam evidências específicas do paciente que códigos padronizados em nível de coorte não conseguem capturar, mas o sinal fica enterrado em texto longo e ruidoso, escrito sem qualquer predição específica em mente. A sumarização é a mitigação óbvia, porém resumos genéricos ajustados para fluência rotineiramente omitem evidências decisivas enquanto mantêm detalhes plausíveis, mas pouco informativos.
O RASPER treina o sumarizador diretamente contra a tarefa clínica a jusante: o aprendizado por reforço a partir do feedback de predição fornece uma recompensa derivada da perda do preditor, e um codificador longitudinal transforma códigos estruturados em prompts suaves que incorporam o contexto clínico de cada paciente. Recompensar a qualidade da predição resultante impulsiona o sumarizador a manter evidências que complementam, em vez de duplicar, os códigos estruturados.
O RASPER superou consistentemente baselines fortes na predição de readmissão e na recomendação de medicamentos nos conjuntos MIMIC-III e MIMIC-IV, e o artigo foi aceito na conferência principal do EMNLP 2026.
Otimize o resumo para a decisão que ele alimenta, não para a leitura
Objetivos orientados à fluência não têm razão para manter o único detalhe que inverte uma predição.
A perda do preditor a jusante é um sinal direto e automático da utilidade probatória.
Prompts suaves derivados de códigos estruturados mantêm os resumos complementares aos códigos em vez de repeti-los.
O contexto de cada paciente importa: a mesma nota justifica resumos diferentes para tarefas de predição diferentes.
Quando um componente alimenta um modelo a jusante, treine-o com base no feedback desse modelo em vez de uma métrica genérica de qualidade; fluência não é utilidade.
O artigo relata ganhos consistentes sobre baselines fortes na predição de readmissão e na recomendação de medicamentos nos conjuntos MIMIC-III e MIMIC-IV, com aceitação na conferência principal do EMNLP 2026.
CONFIRA AS EVIDÊNCIAS