深度分析
比較 Raw JSON、臨床敘事、Markdown 與時間軸：FHIR 序列化對 LLM 用藥核對的影響
用藥核對是臨床交接中高風險的流程，研究比較四種 FHIR 資料序列化策略（Raw JSON、Markdown 表格、臨床敘事、時間軸）對大型語言模型在合成病歷上執行藥物擷取的影響。
深度分析
用藥核對是臨床交接中高風險的流程，研究比較四種 FHIR 資料序列化策略（Raw JSON、Markdown 表格、臨床敘事、時間軸）對大型語言模型在合成病歷上執行藥物擷取的影響。
強化學習
本研究針對醫療強化學習獎勵設計的挑戰，提出將出院敘事轉為偏好獎勵的 CN‑PR 框架，利用大型語言模型生成軌跡品質分數並建構對比偏好，加入敘事相關性信心權重。實驗證實所學獎勵與軌跡品質相關係數 0.63，能提升器官支援天數與休克解決速度，同時保持死亡率表現，顯示敘事式監督具可擴展性與表現優勢。