RASC+：检索约束下大模型裁决提升临床术语集构建效果

临床价值集是医疗质量评估、表型分析、队列构建和临床决策支持中使用的标准化术语代码集合。传统直接使用大模型零样本生成的方法效果有限，因为临床代码系统规模庞大、版本复杂且难以被语言模型完整记忆。

最新研究提出RASC+两阶段框架：第一阶段采用检索增强策略优化候选池召回率，结合词汇感知扩展和代码显示救援检索技术，将候选池召回率从基准的0.553提升至0.730；第二阶段引入检索约束的大模型裁决机制，使用GPT-5对候选池进行盲审裁决。

实验结果显示，在3744个价值集的测试中，该方法将全测试集宏F1分数提升至0.549，在未见过发布者的数据分层上也达到0.533，显著优于传统交叉编码器方案。该方案在提升自动化构建效率的同时，严格遵守了所有返回代码必须来自可审计候选池的安全约束，为临床术语标准化工作提供了可靠的技术路径。