RASPER 以 downstream predictor 自身的損失訓練出院摘要

電子健康紀錄中非結構化的出院紀錄，承載了標準化、群體層級代碼無法捕捉的病人專屬證據，但這些訊號埋藏在冗長、嘈雜、且撰寫時並未針對任何特定預測而寫的文字之中。摘要化是顯而易見的緩解手段，然而以流暢度調校的一般摘要，往往會省略決定性證據，卻保留看似合理但無資訊價值的細節。

RASPER 直接針對下游臨床任務訓練摘要器：以預測回饋進行強化學習，提供由預測器損失導出的獎勵；縱向編碼器則將結構化代碼轉為軟提示，納入每位病人的臨床脈絡。獎勵最終預測的品質，會促使摘要器保留能補充、而非重複結構化代碼的證據。

RASPER 在 MIMIC-III 與 MIMIC-IV 的再入院預測與用藥建議上，持續優於強基線，該論文獲 EMNLP 2026 主會議接受。

為其所餵入的決策最佳化摘要，而非為閱讀而最佳化

以流暢度為導向的目標，沒有理由保留那一個足以翻轉預測的細節。

下游預測器的損失，是證據有用性的直接、自動訊號。

來自結構化代碼的軟提示，使摘要與代碼互補，而非重複代碼。

病人個別脈絡很重要：同一份紀錄，針對不同預測任務，值得有不同的摘要。

當某個元件餵入下游模型時，應以該模型的回饋來訓練它，而非以一般品質指標；流暢不等於有用。

該論文報告在 MIMIC-III 與 MIMIC-IV 的再入院預測與用藥建議上，相較於強基線持續取得增益，並獲 EMNLP 2026 主會議接受。