في عالم الرعاية الصحية المتطور، يعد نمذجة السجلات الصحية الإلكترونية (EHR) تحديًا كبيرًا، وذلك يعود إلى الحاجة لتركيب الزيارات الجديدة مع تاريخ المريض المتزايد. الكميات المتزايدة من المعلومات السريرية تعني أيضًا زيادة في التكلفة الحاسوبية والذاكرة عند التعامل مع التاريخ الكامل للمرضى، خصوصًا عند استخدام نماذج اللغات الكبيرة (LLMs).

في هذا السياق، يُعد استخدام ضغط الذاكرة المتكررة أثناء الزيارات (visit-wise recurrent compression) بديلاً عمليًا يُدمج كل زيارة جديدة لتحقيق ذاكرة مريض محدثة بشكل مستمر وبصيغة مضغوطة. ومع ذلك، وتحت ميزانية ذاكرة ثابتة، يصبح من الضروري دمج المعلومات الجديدة دون خسارة الأدلة التاريخية المهمة.

هنا يأتي دور Recurrent Longitudinal Memory (ReLMem)، الإطار الذي يتعلم الحفاظ على ذاكرة مرضية بسعة ثابتة تنظم تنبؤات فعالة باستخدام نمذجتي اللغات الكبيرة في حالة تجميدها. يقوم ReLMem بتزويد هذه النماذج بمحول ضغط خفيف لتحديث الذاكرة بشكل متكرر من حالتها السابقة مع كل زيارة دون الحاجة لقراءة السجلات السابقة مرة أخرى.

ن developed استراتيجية تحسين متعددة الأبعاد للحفاظ على المعلومات المهمة على مر التحديثات المتكررة، مما يدعم التنبؤات المستقبلية بناءً على الذاكرة النهائية. كما يتضمن الإشراف الوسيط تنظيم مخرجات الانتباه من الذاكرة المضغوطة والتاريخ الكامل تحت استفسارات متطابقة، بينما يقلل إشراف التنبؤ من الخسارة المتقاطعة مقارنة بالاستجابات الصحيحة معتمدًا على الذاكرة النهائية.

عند تطبيق ReLMem في تنبؤ الأدوية باستخدام سجلات الصحة الإلكترونية، يحقق نتائج مقاربة لنقاط F1 التامة مع تقليل متوسط التخزين التاريخي المحتفظ به بمعدل 97.1%. تحت نفس ميزانية الذاكرة، تحسن ReLMem نقاط F1 الكلية والجزئية مقارنة بأفضل نموذج ذاكرة مضغوط بمقدار 4.66 و4.75 نقطة مئوية، على التوالي.

تسلط هذه النتائج الضوء على قيمة تعلم الذاكرة المتكررة للمرضى في تحسين نمذجة السجلات الصحية الإلكترونية الطويلة الأمد.