arXiv 2026年10月5日该工作提出 RASPER，一个面向 EHR 预测的奖励对齐摘要器：它用可调 LLM 摘要器从出院小结中抽取任务相关证据，以强化学习方式、用下游预测器损失导出的奖励进行训练，并用纵向编码器把结构化编码转成软提示以注入患者临床背景，从而让摘要保留与结构化编码互补的患者特异证据；在 MIMIC-III 和 MIMIC-IV 上的再入院预测与用药推荐任务中，RASPER 稳定优于强基线。该工作提出 RASPER，一个面向 EHR 预测的奖励对齐摘要器：它用可调 LLM 摘要器从出院小结中抽取任务相关证据，以强化学习方式、用下游预测器损失导出的奖励进行训练，并用纵向编码器把结构化编码转成软提示以注入患者临床背景，从而让摘要保留与结构化编码互补的患者特异证据；在 MIMIC-III 和 MIMIC-IV 上的再入院预测与用药推荐任务中，RASPER 稳定优于强基线。RASPER 用下游预测奖励对齐出院小结摘要，在 MIMIC-III 与 MIMIC-IV 的再入院预测和用药推荐上稳定优于强基线该工作提出 RASPER，一个面向 EHR 预测的奖励对齐摘要器：它用可调 LLM 摘要器从出院小结中抽取任务相关证据，以强化学习方式、用下游预测器损失导出的奖励进行训练，并用纵向编码器把结构化编码转成软提示以注入患者临床背景，从而让摘要保留与结构化编码互补的患者特异证据；在 MIMIC-III 和 MIMIC-IV 上的再入院预测与用药推荐任务中，RASPER 稳定优于强基线。该工作提出 RASPER，一个面向 EHR 预测的奖励对齐摘要器：它用可调 LLM 摘要器从出院小结中抽取任务相关证据，以强化学习方式、用下游预测器损失导出的奖励进行训练，并用纵向编码器把结构化编码转成软提示以注入患者临床背景，从而让摘要保留与结构化编码互补的患者特异证据；在 MIMIC-III 和 MIMIC-IV 上的再入院预测与用药推荐任务中，RASPER 稳定优于强基线。