医疗AI新基准：LongMedBench评估大模型长期临床决策能力

近日，研究团队在arXiv发布了医疗AI领域的重要基准LongMedBench，专门用于评估基于大语言模型的医疗代理在长期临床决策中的能力。传统评估多聚焦于短文本知识问答和工具使用，但真实医疗场景本质上是纵向的，医生需要综合患者多次就诊、检验和治疗演变的信息进行判断。

LongMedBench通过可复现的流程构建，将MIMIC-IV入院记录和临床笔记整合为时序事件流和长上下文记忆数据集，支持医疗代理与临床环境进行多轮次、长时程的交互。基准涵盖335名患者，平均每人19.72次住院就诊，每次就诊包含44.91个医疗事件。

研究团队提出三级评估体系：事实性问答测试基础知识掌握，时序推理考察时间关系理解，长期决策评估综合历史信息做出临床判断的能力。实验发现，当前大模型虽能较好利用显式时间戳，但在隐式时间推断上仍存在挑战；检索增强生成和记忆系统能提升信息检索任务表现，但决策任务性能高度依赖模型的即时上下文处理能力。

该基准的建立为医疗AI系统向真实临床工作流迈进提供了重要评估工具，未来可推动更符合实际医疗需求的智能辅助系统发展。