PACE-RAG: Patient-Aware Contextual and Evidence-based Policy RAG for Clinical Drug Recommendation

1. Problématique

La recommandation de médicaments pour des conditions complexes (comme la maladie de Parkinson) nécessite une compréhension fine du contexte individuel du patient. Bien que les Grands Modèles de Langage (LLM) possèdent une vaste connaissance médicale, ils échouent souvent à capturer les nuances subtiles des schémas de prescription réels. Les méthodes existantes de RAG (Retrieval-Augmented Generation) présentent deux limites majeures :

• RAG basé sur les guides (Guideline RAG) : Il se base sur des documents cliniques standardisés, ce qui conduit à des recommandations trop généralisées qui ne tiennent pas compte des trajectoires cliniques hétérogènes des patients individuels.
• RAG basé sur les patients similaires (Similar Patient RAG) : Des méthodes comme TreatRAG récupèrent des cas historiques similaires mais souffrent d'un biais de majorité. Elles ont tendance à reproduire les schémas de prescription les plus fréquents du groupe récupéré sans analyser la raison clinique spécifique pour chaque cas, négligeant ainsi les nuances uniques du patient.

L'objectif est de combler ce fossé en créant un système capable de synthétiser le contexte du patient avec les tendances de prescription fondées sur des preuves, tout en évitant les hallucinations et les biais statistiques.

2. Méthodologie : PACE-RAG

Le framework proposé, PACE-RAG, est une architecture de raisonnement en quatre étapes conçue pour identifier le traitement optimal en intégrant des politiques de vérification cliniques.

Étape 1 : Récupération Spécifique à l'Objectif (Focus-Specific Retrieval)

Au lieu de récupérer des notes cliniques brutes non structurées, le système extrait d'abord des requêtes de focus cliniques (mots-clés symptomatiques précis) à partir de la note actuelle du patient ($x_t$).

• Fonctionnement : Un extracteur identifie les symptômes aigus ou les signes cliniques pertinents ($f_i$) en s'assurant qu'ils sont des sous-chaînes littérales du texte original pour éviter les hallucinations.
• Récupération : Le système recherche dans la base de données historique les patients présentant ces symptômes spécifiques, plutôt que de faire une recherche sémantique globale sur l'historique complet.

Étape 2 : Analyse des Tendances de Prescription (Prescribing Tendency Analysis)

Cette étape analyse les cas récupérés pour isoler l'impact direct des symptômes ciblés.

• Extraction de motifs : Pour chaque symptôme cible, le modèle identifie uniquement les médicaments ajoutés (nouvellement prescrits) dans les cas similaires pour traiter ce symptôme spécifique.
• Critères stricts :
  1. Isolement : Seuls les médicaments liés au symptôme cible sont extraits.
  2. Preuve de causalité : Le médicament doit être justifié par le symptôme.
  3. Vide par défaut : Si aucune preuve explicite d'ajout n'est trouvée, le résultat est un ensemble vide ($\emptyset$), empêchant l'invention de traitements.

Étape 3 : Raffinement de la Prescription Piloté par la Politique (Policy-Driven Prescription Refinement)

Cette étape agit comme un mécanisme de vérification pour corriger la prescription initiale ($y_0$) générée par le LLM. Elle applique une logique algorithmique stricte :

• Maintien (MAINTAIN) : Par défaut, tous les médicaments actifs de l'historique du patient sont conservés (stabilité thérapeutique).
• Ajout (ADD) : De nouveaux médicaments ne sont ajoutés que si les tendances extraites à l'étape 2 fournissent un signal de haute confiance pour le symptôme actuel.
• Arrêt (REMOVE) : Les médicaments sont retirés uniquement en cas de preuves négatives définitives (effets secondaires, contre-indications).
• Cela évite le biais de majorité en validant chaque décision contre des informations cliniques essentielles.

Étape 4 : Résumé Clinique Explicable (Explainable Clinical Summary)

Le système génère un rapport interprétable qui synthétise le trajet de décision : l'état du patient, les mots-clés extraits, les preuves cliniques tirées des cas similaires et la justification finale de la prescription. Cela assure la confiance clinique et l'utilité pour le médecin.

3. Contributions Clés

1. Nouveau Framework PACE-RAG : Une approche qui surmonte la généralisation excessive des guides et le biais de majorité des cas similaires en identifiant des rationnels spécifiques aux symptômes au sein du contexte individuel.
2. Méthodologie en 4 Étapes : Une pipeline innovante qui combine l'extraction de signaux cliniques ciblés, la récupération par mots-clés, l'analyse des tendances de prescription et une vérification par politique stricte.
3. Généralisation et Efficacité : Démonstration que le framework fonctionne aussi bien sur des données non structurées réelles (Parkinson) que sur des benchmarks structurés à grande échelle (MIMIC-IV), surpassant même des modèles LLM beaucoup plus grands (ex: Qwen-72B) en utilisant un modèle plus petit (8B).

4. Résultats Expérimentaux

Les évaluations ont été menées sur deux ensembles de données :

• Cohorte Parkinson (HPH) : Données réelles non structurées de 947 patients.
• Benchmark MIMIC-IV : Données structurées de 196 501 patients.

Performances principales :

• Sur la cohorte Parkinson (HPH) : Avec le modèle Qwen3-8B, PACE-RAG a atteint un score F1 de 80,84% et une précision de 83,78%, surpassant significativement les baselines (Zero-shot, Guideline RAG, TreatRAG, MedReflect).
• Sur MIMIC-IV : Le framework a obtenu un score F1 de 47,22% (avec Qwen3-8B), démontrant sa robustesse face à des données multi-symptômes complexes.
• Comparaison avec les grands modèles : PACE-RAG (basé sur un modèle 8B) a surpassé des modèles denses beaucoup plus grands comme Qwen2.5-72B (F1 de 72,84% sur Parkinson), prouvant que l'architecture de raisonnement est plus efficace que la simple augmentation de la taille du modèle.
• Évaluation par des spécialistes : Une évaluation en aveugle par des neurologues spécialisés dans la maladie de Parkinson a montré que PACE-RAG était préféré dans 70% des cas par rapport au Guideline RAG, notamment pour la justesse clinique et la sécurité.

5. Signification et Impact

• Décision Clinique Personnalisée : PACE-RAG démontre qu'il est possible de créer des systèmes d'aide à la décision médicale qui ne se contentent pas de copier des statistiques, mais qui raisonnent sur la base de preuves cliniques spécifiques au patient.
• Efficacité et Coût : Le fait de surpasser des modèles massifs (72B+) avec un modèle open-source de petite taille (8B) rend le déploiement clinique économiquement viable et respectueux de la vie privée (déploiement local possible sans dépendre de modèles fermés).
• Réduction des Hallucinations : L'intégration de règles de vérification strictes et d'une analyse de tendance causale réduit considérablement les risques d'erreurs médicamenteuses par rapport aux approches RAG classiques.

En conclusion, PACE-RAG représente une avancée significative vers une médecine de précision assistée par l'IA, capable de fournir des recommandations de médicaments non seulement précises, mais aussi cliniquement justifiables et sûres.