传统方法难以从海量肿瘤学笔记中提取关键数据。HARMON-E框架通过模拟专家推理，利用大语言模型实现自动化、高精度的结构化数据提取，为临床研究与分析提供了高效新范式。
智能速览
电子病历中的非结构化笔记是临床信息富矿，但利用难度极大。
HARMON-E提出分层智能体推理框架，模拟人类专家的迭代思维过程。
该框架通过上下文感知检索和多步推理，解决跨文档信息矛盾问题。
系统在40万份真实临床笔记上验证，覆盖2250名患者和103个临床变量。
实验证明该方案能有效提升数据提取的精度与效率，满足临床标准。
精华内容
面对海量、复杂且充满矛盾的肿瘤学笔记，如何实现高效准确的数据提取？HARMON-E框架给出了答案，其分层智能体设计模拟了专家的思维过程。
数据提取之困
电子健康记录中的肿瘤学笔记包含丰富的临床信息，但其非结构化特性导致数据利用成为难题。文档格式的不一致、高度专业化的术语以及同一患者不同文档间的矛盾信息，都使得传统自动化方法束手无策。手动提取不仅成本高昂，且容易出错，严重制约了患者级别的综合分析。现有的自动化工具往往局限于单一场景，难以胜任大规模、多维度的数据提取任务。
分层智能体架构
为应对上述挑战，研究团队提出了HARMON-E框架，一个基于分层智能体的推理系统。该框架的核心思想是模拟人类肿瘤专家在审阅病历时的迭代思维过程，将大语言模型（LLM）作为推理引擎。其目标是实现一个完整的解决方案，能够从海量的异构肿瘤学笔记中，自动化提取包括患者信息、病理特征、治疗方案在内的103个关键临床变量。
多步推理机制
HARMON-E的工作流程体现了高度的智能化。首先，系统将复杂的患者文档分解为一系列模块化的子任务。随后，通过上下文感知的自适应检索机制，精准定位分散在各类文档中的关键信息片段。最关键的一步是，LLM智能体会执行跨文档的矛盾信息消解，并能根据已有信息推导出未明确提及的隐式变量，最终输出符合临床规范的结构化数据。
大规模真实验证
为检验HARMON-E的实际效能，研究团队在覆盖2250名肿瘤患者的40万份真实临床笔记数据集上进行了严格验证。这些数据包括病理报告、影像记录、进展记录等多种异构文档。评估指标不仅包括实体级召回率、属性级精度等常规标准，还测试了系统在融入人工审核工作流时的直接通过率，结果表明其在真实临床场景中具有极高的应用价值。
HARMON-E的成功验证，为处理复杂医疗文本提供了强大的技术路径，有望极大提升临床数据利用率与研究效率。未来，这类智能体框架在更多医疗细分领域的应用前景如何？
