COTCAgent: 확률적 연쇄적 사고 완성을 통한 사전 상담

COTCAgent: Preventive Consultation via Probabilistic Chain-of-Thought Completion

대규모 언어 모델이 의료 분야에 적용되면서 지능형 임상 의사 결정 지원 시스템이 빠르게 발전하고 있습니다. 장기적인 전자 건강 기록(EHR)은 정확한 임상 진단 및 분석을 위한 필수적인 시간적 증거를 제공합니다. 그러나 현재의 대규모 언어 모델은 장기적인 EHR 추론에 심각한 결점을 가지고 있습니다. 첫째, 미세한 통계적 추론 능력의 부족으로, 정량적 증거가 텍스트로 암시될 때 종종 임상적 추세와 지표를 환각하며, 이는 진단 추론에 편향을 초래합니다. 둘째, 장기적인 EHR에서 불균일한 시계열 데이터와 부족한 레이블은 모델이 장기적인 시간적 의존성을 파악하는 것을 방해하여 신뢰할 수 있는 임상적 추론을 제한합니다. 이러한 제한 사항을 해결하기 위해, 본 연구에서는 장기적인 전자 건강 기록을 위한 계층적 추론 프레임워크인 확률적 연쇄적 사고 완성 에이전트(COTCAgent)를 제안합니다. 이는 세 가지 핵심 모듈로 구성됩니다. 시간-통계 어댑터(TSA)는 분석 계획을 표준화된 추세 출력을 위한 실행 가능한 코드로 변환합니다. 연쇄적 사고 완성(COTC) 레이어는 가중치를 부여한 점수를 사용하여 질병 위험을 평가하기 위해 증상-추세-질병 지식 베이스를 활용하며, 경계가 설정된 완성 모듈은 표준화된 질문과 반복적인 점수 제약을 통해 구조화된 증거를 획득하여 엄격한 추론을 보장합니다. 본 프레임워크는 통계 계산, 특징 매칭 및 언어 생성을 분리하여 복잡한 다중 모드 입력에 대한 의존성을 제거하고, 계산 비용을 줄여 효율적인 장기 기록 분석을 가능하게 합니다. 실험 결과에 따르면, Baichuan-M2를 기반으로 하는 COTCAgent는 자체 구축 데이터셋에서 90.47%의 Top-1 정확도를, HealthBench에서 70.41%의 정확도를 달성하여 기존의 의료 에이전트 및 주류 대규모 언어 모델보다 우수한 성능을 보였습니다. 코드 및 관련 자료는 https://github.com/FrankDengAI/COTCAgent/ 에서 확인할 수 있습니다.

As large language models empower healthcare, intelligent clinical decision support has developed rapidly. Longitudinal electronic health records (EHR) provide essential temporal evidence for accurate clinical diagnosis and analysis. However, current large language models have critical flaws in longitudinal EHR reasoning. First, lacking fine-grained statistical reasoning, they often hallucinate clinical trends and metrics when quantitative evidence is textually implied, biasing diagnostic inference. Second, non-uniform time series and scarce labels in longitudinal EHR hinder models from capturing long-range temporal dependencies, limiting reliable clinical reasoning. To address the above limitations, this work presents the Probabilistic Chain-of-Thought Completion Agent (COTCAgent), a hierarchical reasoning framework for longitudinal electronic health records. It consists of three core modules. The Temporal-Statistics Adapter (TSA) converts analytical plans into executable code for standardized trend output. The Chain-of-Thought Completion (COTC) layer leverages a symptom-trend-disease knowledge base with weighted scoring to evaluate disease risk, while the bounded completion module acquires structured evidence through standardized inquiries and iterative scoring constraints to ensure rigorous reasoning. By decoupling statistical computation, feature matching, and language generation, the framework eliminates reliance on complex multi-modal inputs and enables efficient longitudinal record analysis with lower computational overhead. Experimental results show that COTCAgent powered by Baichuan-M2 achieves 90.47% Top-1 accuracy on the self-built dataset and 70.41% on HealthBench, outperforming existing medical agents and mainstream large language models. The code is available at https://github.com/FrankDengAI/COTCAgent/.