可配置臨床資訊抽取的 Agentic RAG 實作：成效分析與診斷
為何重要
此案例具體驗證了「Agent」架構在處理高保真臨床推理時的優勢，特別是解決傳統 RAG 在信源對齊與時間推理上的盲點。對開發者而言，這證明瞭在結構化資料與非結構化檔案交織的複雜場景中，全本地推理能大幅提升信賴度；對產業監管與實施者來說，高接受率（96.5%）提供了在醫療場景從原型轉向廣泛商用的實質信心。
臨床病歷不僅數量大，且常缺失關鍵的檔案後設資料，導致標準 RAG 模型在時間推論或跨文件依賴上表現不佳。University Medicine Essen 部署了 ACIE（Agentic Clinical Information Extraction）系統，以在地化架構為基礎，完整推理患者語境並驗證每個答案的來源段落。
- 臨床系統 ACIE 在 University Medicine Essen 實際部署，針對無完整後設資料的臨床檔案進行全本地代理 RAG 運算。
- 在 7,326 次臨床判斷中，醫生對模型抽取值的平均接受率高達 96.5%。
- 不同型別的資訊抽取接受率介於 80% 至 99% 之間，反映了資料型態與難度的差異。