LongCAF:一种面向大语言模型辅助高血压自我管理的纵向上下文构建智能体框架

《Journal of Biomedical Informatics》:LongCAF: A longitudinal context-constructive agentic framework for LLM-supported hypertension self-management

【字体: 大 中 小 】 时间:2026年10月10日 来源:Journal of Biomedical Informatics 5.9

编辑推荐:

   # 摘要 **目的** 高血压的长期自我管理要求患者做出日常决策,并注意何时寻求医疗帮助。尽管基于大语言模型(LLM)的系统为对话式自我管理支持提供了新的机会,但传统的问答式对话范式在患者表达零散、上下文报告不完整以及交互意图变化的条件下,可能无法提供准确且个性化的回复。

  

# 摘要

**目的**

高血压的长期自我管理要求患者做出日常决策,并注意何时寻求医疗帮助。尽管基于大语言模型(LLM)的系统为对话式自我管理支持提供了新的机会,但传统的问答式对话范式在患者表达零散、上下文报告不完整以及交互意图变化的条件下,可能无法提供准确且个性化的回复。因此,本研究旨在通过开发并评估一个整合了纵向记忆、交互协调、主动沟通和安全升级的上下文构建型智能体框架,来解决当前的局限性。

**方法**

本研究提出了纵向上下文构建型智能体框架(LongCAF),将纵向患者与LLM的交互结构化为一个包含五个核心模块的统一工作流:纵向上下文记忆,用于构建和维护患者特定的上下文;意图感知的交互协调,用于分类和路由异构的交互意图;交互合成,用于组织并生成基于上下文的个性化回复;主动沟通,用于在可能的情况下引出缺失信息并澄清患者顾虑;安全升级,用于管理和将安全关键交互升级至临床医生。该框架在为期6个月的实际部署中进行了评估。

**结果**

LongCAF在部署期间支持了纵向上下文构建和基于上下文的患者-系统交互。患者层面的纵向上下文完整度从基线的42.9%(四分位距14.3%–57.1%)提升至随访时的57.1%(四分位距57.1%–71.4%),其中新增79,290条临床相关条目,非血压领域占新增条目的49.3%。由检索到的患者特定上下文支持的面向患者的输出占全部输出的69%,检索领域涵盖多个领域。候选问题采纳率在符合条件的交互中达到84.4%,意图感知的交互协调微F1得分为0.911。端到端安全升级精确率为0.915,召回率为0.977,F1得分为0.945。临床医生和患者评估表明,LongCAF支持的回复具有临床相关性、上下文适宜性,并对持续自我管理有用。

**结论**

实际部署证明了LongCAF的可行性,突显了其作为开发更具个性化和临床治理的慢性病自我管理对话系统的实用框架的潜力。

# 引言

全球人口老龄化的上升已将慢性病管理定位为公共卫生的基石[1]、[2],其中高血压因其无症状特性、终身病程以及对持续自我管理的高度依赖而尤为具有挑战性[3]、[4]。当代高血压管理越来越从间歇性临床就诊扩展至长期自我管理[5]、[6]。在此过程中,患者经常遇到实际且情境特异性的问题。准确回答这些患者发起的问题是实现高血压个性化管理的组成部分,因为这些回复可能直接影响患者的日常监测行为、用药依从性、风险感知以及持续长期自我管理的意愿。这表明,对话式数字健康干预系统的关键任务之一是生成与患者实际意图一致且基于其纵向临床和自我管理上下文回复[7]、[8]、[9]、[10]。

在这一情境下,此类系统需要具备两种相互依存的能力。首先,为了提供准确的回复,系统需要正确理解患者的交互意图,这些意图往往是异构的[11]、[12],包括明确的咨询请求、健康记录更新,以及对症状、用药顾虑、情绪不确定或不完整叙述的零散描述[13]、[14]。将所有此类输入视为普通问题可能导致不当的回复生成或无法随时间更新个人健康记录(PHR)[5]。其次,为了提供个性化的回复,系统需要获得充足的临床相关患者上下文支持[7]、[15]、[16]。高血压相关问题通常依赖于近期家庭血压测量(HBPM)、用药情况、依从行为、症状、共病、生活方式因素以及既往交互历史[5]、[17]。缺乏上下文丰富的信息,即使医学上正确的回复也可能仍然泛化、不完整或不足以指导个体患者行动。

大语言模型(LLMs)的最新进展为高血压管理中的对话式支持提供了新的机会[9]、[18]。通过启用灵活的自然语言交互并访问外部医学知识,基于LLM的系统在提供健康教育[19]、[20]、问答(QA)[21]、[22]、[23]、行为支持[24]、[25]、[26]、[27]以及个性化指导[10]、[28]、[29]方面展现了规模化应用的潜力。与传统基于规则的聊天机器人相比,LLMs能够实现更自然和自适应的交流,这对长期高血压管理非常有用。然而,尽管取得了这些进展,当前实现通常仍以QA为中心的范式为焦点[30]、[31]、[32]、[33],隐含地假设用户在交互时能够提供足够的上下文信息并提出临床有意义的问题。这种方法可能与实际高血压管理场景中模糊的患者表达[34]、[35]、[36]、[37]、不完整的上下文条件[32]、[36]、[38]、[39]、[40]以及跨轮次的动态交互意图[41]、[33]、[42]、[43]不匹配。上述局限性可能影响系统回复的完整性、精确性和感知有用性,从而降低用户信任、增加认知负担并削弱持续参与度[44]、[45]、[46]。因此,当前基于LLM的高血压干预的核心挑战不仅在于生成准确的回复[47],更在于缺乏理解患者意图、识别缺失上下文、主动获取相关信息并在明确安全边界内运作的机制。

为解决这一差距,本研究开发并部署了纵向上下文构建型智能体框架(LongCAF),一个用于长期高血压自我管理的记忆增强型对话框架,包含五个交互组件:纵向上下文记忆、意图感知的交互协调、交互合成、主动沟通和安全升级。在每次交互中,纵向上下文记忆提供持续更新的患者特定信息基础;意图感知的交互协调判断当前输入是咨询请求、记录更新、模糊表达还是安全相关顾虑;交互合成检索相关的语义和情景记忆以构建交互特定上下文并组织面向患者的回复;主动沟通在患者意图或上下文不足时生成候选问题或引出缺失信息;安全升级持续识别需要临床医生级关注的高风险情况。通过这一工作流,LongCAF将孤立的问答转化为意图理解、上下文检索与构建、回复合成、信息获取和安全治理沟通的纵向过程,从而在整个高血压自我管理中支持准确且个性化的回答。该框架通过实际部署实验进行了评估。结果表明了所提工作流级框架在支持纵向、个性化和安全感知的高血压自我管理方面的可行性。通过将LLM支持的高血压自我管理重构为上下文构建型和安全治理的回答过程,本研究旨在为支持长期慢性病管理中更可持续和更安全的对话过程提供可复用框架。

## 框架概览

为支持在长期高血压自我管理中准确且个性化地回答患者发起的问题,LongCAF协调五个交互组件:纵向上下文记忆、意图感知的交互协调、交互合成、主动沟通和安全升级。详细交互过程如下。

如图1所示,给定交互轮次t的患者输入x_t,LongCAF首先构建交互特定上下文C_t。

## 纵向上下文记忆构建性能

通过比较基线与随访时的患者层面上下文完整度来评估纵向上下文记忆构建。由于基本EHR信息直接从医院系统同步,本分析重点关注家庭监测和纵向构建的自管领域。如图2(a)所示,患者层面上下文完整度从基线的42.9%(四分位距14.3%–57.1%)提升至随访时的57.1%(四分位距57.1%–71.4%),患者内中位

## 讨论

传统数字高血压管理的对话系统通常仍以问答为中心,隐含地假设患者在交互时能够提供清晰的健康问题和足够的上下文信息。然而,实际高血压自我管理涉及零散的症状描述、模糊的用药顾虑、不完整的自我报告以及变化的交互意图。在这些条件下,仅生成回复是不够的。

## 结论

LongCAF将LLM支持的高血压自我管理从孤立的对话式问答重构为记忆增强型、智能体式和安全治理的交互过程。通过整合纵向上下文记忆、意图感知的交互协调、交互合成、主动沟通和安全升级,该框架支持结构化、上下文敏感且更安全的患者-系统交互。实际部署表明,这些工作流级别的

## 资金来源

本研究由浙江省"健鼎"、"岭研"研究开发项目[项目编号2025C01136];于孟孙院士工作站创新平台研究项目科研基金[项目编号YSPTZX202406];国家自然科学基金[项目编号82570501];海南省自然科学基金杰出青年基金项目[项目编号826JCQN0989]资助。

## CRediT作者贡献声明

孙曜千:撰写——原稿撰写、方法学、形式分析、概念构思。陶隆云:撰写——审阅与编辑、验证、数据管理、概念构思。余寒:撰写——审阅与编辑、可视化、形式分析、数据管理。王依婕:撰写——审阅与编辑、软件、方法学。郑可新:撰写——审阅与编辑、软件、数据管理。陈翰:撰写——审阅与编辑、资金获取、形式分析。南山:撰写——审阅与

## 利益冲突声明

作者声明不存在已知的竞争经济利益或个人关系可能影响本文所报告的工作。

## 致谢

我们感谢参与本研究的临床专家、临床医生和所有参与者。

孙曜千 | 陶隆云 | 余寒 | 王依婕 | 郑可新 | 陈翰 | 南山 | 沈明智 | 卢旭东
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号