📄 health informatics

C-RLM: Schema-Enforced Recursive Synthesis for Auditable, Long-Context Clinical Documentation

Het artikel introduceert C-RLM, een schema-afgedwongen recursief framework dat standaard RAG en long-context LLM's overtreft bij het synthetiseren van complexe klinische dossiers door 100% structurele consistentie en volledige controleerbaarheid te bereiken via iteratieve kenniscompilatie, ondanks een 2,7x grotere computationele overhead.

Oorspronkelijke auteurs: Yu, Y.

Gepubliceerd 2026-01-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yu, Y.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Probleem: "Verloren in het Midden" van een Gigantisch Boek

Stel je voor dat je een arts bent die een patiënt probeat te behandelen met een complexe aandoening genaamd Lupus Nefritis. Om dit goed te doen, moet je een enorm medisch rapport lezen van ongeveer 24.500 woorden lang (ongeveer de omvang van een korte roman).

Het probleem is dat de belangrijkste details verspreid overal liggen.

De naam van het medicijn wordt op pagina 1 genoemd.
De dosering wordt op pagina 15 genoemd.
Een bijwerking die de behandeling veranderde, wordt op pagina 25 genoemd.

Standaard AI-tools (genaamd "Flat RAG") proberen dit te lezen door het boek in kleine stukjes van een vaste grootte te hakken (zoals het snijden van een pizza in punten) en ze één voor één te lezen. Omdat de stukken willekeurig zijn gesneden, mist de AI vaak de verbinding tussen het medicijn op pagina 1 en de bijwerking op pagina 25. De AI kan denken dat de patiënt twee verschillende medicijnen gebruikt, of het kan de dosering volledig vergeten. Het is alsof je een verhaal probeert te begrijpen door alleen de eerste zin van elke paragraaf te lezen.

De Oplossing: C-RLM (De "Recursieve Detective")

De auteurs hebben een nieuw systeem ontwikkeld genaamd C-RLM (Clinical-Recursive Language Model). In plaats van het boek slechts één keer te lezen, gedraagt C-RLM zich als een detective die een dossier opbouwt.

Zo werkt het, stap voor stap:

1. De "Recursieve Lus" (Het Dossier Opbouwen)

In plaats van het hele boek in één keer te lezen, leest C-RLM het document in blokken, maar het vat ze niet alleen samen. Het bouwt een gestructureerde "kennisstatus" (een digitaal bestand) op die het telkens bijwerkt wanneer het een nieuw blok leest.

Analogie: Stel je voor dat je een puzzel legt. Een standaard AI probeert de afbeelding te raden na het bekijken van een paar willekeurige stukjes. C-RLM bekijkt een stukje, plaatst het in de puzzel, kijkt naar het volgende stukje en controleert of het past bij de stukjes die er al liggen. Het blijft dit doen totdat het hele plaatje duidelijk is.

2. De "RNR-Laag" (De Naam-Tag Fixer)

Medische teksten zijn rommelig. De ene arts schrijft "CellCept", een andere schrijft "MMF" en een derde schrijft "Mycophenolate Mofetil". Dit zijn allemaal hetzelfde medicijn, maar een computer kan denken dat het drie verschillende dingen zijn.

Analogie: C-RLM heeft een speciale "Naam-Tag Fixer" (Robust Nomenclature Resilience). Elke keer als het een nieuwe naam voor een medicijn ziet, controleert het zijn lijst en realiseert het zich: "Oh, 'CellCept' is gewoon een bijnaam voor 'Mycophenolate Mofetil'." Het voegt deze samen tot één enkele, correcte vermelding, zodat het dossier niet vervuild raakt met duplicaten.

3. De "Contextuele Grensbescherming" (De Overlappende Zone)

Soms wordt een zin die een behandeling beschrijft halverwege door de "snijmethode" van de AI doormidden gesneden.

Analogie: Als je een zin als "Neem dagelijks 40 mg Prednison" precies in het midden doormidden snijdt, krijg je "Neem dagelijks 40 mg" en "Prednison". C-RLM gebruikt een verschuivend venster (sliding window) dat overlapt. Het zorgt ervoor dat als een zin in één blok begint, het volgende blok begint voordat het vorige eindigt, zodat de AI nooit het midden van de zin verliest.

4. De "TraceTracker" (Het "Laat Me de Bon zien" Systeem)

Dit is het belangrijkste onderdeel voor de veiligheid. In veel AI-systemen, als de AI zegt: "De patiënt nam Medicijn X", kun je niet altijd bewijzen waar de AI die informatie vandaan heeft. Het kan een gok zijn (een "hallucinatie").

Analogie: C-RLM is als een advocaat die een bon eist voor elke bewering. Voor elk medicijn of elke dosis dat het vermeldt, koppelt het een digitale link die exact naar het karakter en de pagina in het originele document verwijst waar dat feit werd gevonden. Als een arts op de naam van het medicijn klikt, wordt hij direct naar de exacte zin in het originele rapport geleid. Dit maakt de AI auditbaar (je kunt het werk controleren).

De Resultaten: Snelheid vs. Nauwkeurigheid

De onderzoekers testten dit op 100 complexe medische rapporten.

De Afweging: C-RLM is langzamer. Het duurt ongeveer 2,7 keer langer om een document te verwerken dan de standaardmethode, omdat het meerdere keren moet lezen, controleren, samenvoegen en verifiëren.
De Beloning: Omdat het de tijd neemt, is het ongelooflijk nauwkeurig.
- Standaard AI: Miste ongeveer 8% van de medicijnregimes en kreeg de structuur soms fout.
- C-RLM: Kreeg 100% van de structuur goed en vond 99% van de medicijnregimes. Het slaagde erin de verbinding te leggen tussen het medicijn op pagina 1 en de bijwerking op pagina 25, iets wat de standaard AI niet kon.

De Kernboodschap

Het artikel stelt dat voor medische beslissingen waarbij leven of dood op het spel staat, snelheid minder belangrijk is dan betrouwbaarheid.

Hoewel C-RLM langzamer is en meer computerkracht vereist, creëert het een "Synthese Dividend": het herstelt cruciale informatie die andere systemen missen en biedt een perfect, onbreekbaar bewijs voor elk feit dat het stelt. De auteurs concluderen dat voor taken met een hoog veiligheidsrisico, deze extra tijd en kosten de moeite waard zijn om te garanderen dat de AI geen gevaarlijke fouten maakt of verbergt waar zijn informatie vandaan komt.

Noot: Het artikel vermeldt expliciet dat dit een hulpmiddel is om artsen te helpen (een "human-in-the-loop" systeem), en geen robot die artsen vervangt. Het is ontworpen voor het beoordelen van complexe dossiers, niet voor triage op de spoedeisende hulp waar elke seconde telt.

Technische Samenvatting: C-RLM – Schema-Gedwongen Recursieve Synthese voor Controleerbare, Langdurige Klinische Documentatie

1. Probleemstelling

Klinische besluitvorming voor patiënten met meerdere chronische aandoeningen (multimorbiditeit) vereist de synthese van bewijslast uit omvangrijke, gefragmenteerde en heterogene bronnen, zoals klinische richtlijnen, casusrapporten en longitudinale documentatie. Huidige benaderingen kampen met twee primaire beperkingen:

Informatieverlies in Lange Contexten: Zelfs geavanceerde Large Language Models (LLM's) hebben moeite met documenten die tienduizenden tokens overschrijden, waarbij ze vaak het "lost in the middle"-fenomeen vertonen, waarbij cruciale, onderling afhankelijke klinische elementen (bijv. inductieregimes en langetermijncontra-indicaties) die verspreid zijn over verre tekstsegmenten, niet aan elkaar worden gekoppeld.
Fragmentatie en Gebrek aan Controleerbaarheid: Conventionele platte Retrieval-Augmented Generation (RAG)-systemen splitsen documenten op in vaste chunk-groottes, waardoor ze in isolatie worden behandeld. Deze aanpak faalt bij het reconstrueren van holistische therapeutische trajecten wanneer sleutelcomponenten (bijv. medicijnnaam, dosis, bijwerkingen) door chunk-grenzen heen gescheiden zijn. Bovendien missen deze systemen doorgaans deterministische herkomst (provenance), wat het onmogelijk maakt om gegenereerde claims terug te leiden naar specifieke bronpassages—een kritiek falen in veiligheidskritische klinische omgevingen waar controleerbaarheid niet onderhandelbaar is.
Semantische Drift in Recursieve Modellen: Hoewel Recursive Language Models (RLMs) iteratieve verfijning bieden, leiden generieke implementaties ertoe dat tussenliggende staten als ongestructureerde samenvattingen worden behandeld. Dit leidt tot semantische drift, waarbij inconsistente nomenclatuur (bijv. "MMF" versus "CellCept") de geleidelijke corruptie of duplicatie van klinische entiteiten veroorzaakt.

2. Methodologie: De C-RLM Architectuur

De auteurs introduceren het Clinical-Recursive Language Model (C-RLM), een framework dat bewijssynthese herdefinieert van een single-pass retrieval-taak naar een gestructureerd, schema-gedwongen compilatieproces. De architectuur werkt via een recursieve lus die eindigt wanneer de staatstabiliteit is bereikt (geen nieuwe entiteiten of wijzigingen gedetecteerd over twee iteraties) of bij het bereiken van een maximale diepte van 5.

Het systeem bestaat uit drie kerninnovaties:

A. Schema-Gedwongen Recursieve Staat

In tegenstelling tot generatieve samenvatting, werkt C-RLM in elke recursieve stap een getypeerde kennisstaat bij die moet voldoen aan een strikt JSON-schema. Dit voorkomt de accumulatie van hallucinaties of duplicaten. De lus verloopt via drie fasen:

Extractie: Het identificeren van kandidaat-therapeutische regimes uit opgehaalde tekstchunks.
Synthese: Het samenvoegen van nieuwe kandidaten in de huidige staat met behulp van aliasresolutie en conflictafhandeling.
Validatie & Audit: Het afdwingen van schema-compliantie en het loggen van herkomst (provenance).

B. Robuuste Nomenclatuur Resiliëntie (RNR)

Om de extreme lexicale variatie in medische teksten aan te pakken, gebruikt C-RLM een twee-fasen RNR-laag:

Syntactische Parsing: Maakt gebruik van flexibele inputmapping (bijv. via Pydantic's AliasChoices) om heterogene sleutels te verwerken.
Semantische Consolidatie: Vergelijkt nieuw geëxtraheerde medicijnen met de bestaande kennisstaat met behulp van een hybride strategie:
1. Exacte normalisatie tegen RxNorm-synoniemen.
2. Fallback naar SBERT-embeddings (cosine similarity drempelwaarde $\tau = 0,85$ ) voor termen buiten de vocabulaire.
- Conflictresolutie: Indien doseringswaarden conflicteren, behoudt het systeem de meest recente of gedetailleerde notitie en wordt een "Conflict Flag" geplaatst voor menselijke beoordeling.

C. Contextuele Grensbescherming

Om te voorkomen dat therapeutische regimes (bijv. "Prednisone 40 mg dagelijks") worden gesplitst bij chunk-grenzen, gebruikt C-RLM een sliding window met een overlap van 200 tokens. De LLM wordt expliciet geprompt om te zoeken naar bewijs dat grenzen overschrijdt, waardoor gefragmenteerde regimes tijdens de synthese worden samengevoegd.

D. TraceTracker: Deterministische Herkomst

Elk output-element is gekoppeld aan karakter-gebaseerde bronoffsets.

Opgehaalde chunks behouden originele document-ID's en karakterbereiken.
Het model wordt beperkt tot het citeren binnen de verstrekte segmenten.
Een Syntheseboom wordt geconstrueerd waarbij elk knooppunt (bijv. een medicijnregime) een UUID krijgt die is toegewezen aan specifieke (PMC_ID, start_char, end_char) triples. Dit stelt clinici in staat om direct van een output-claim naar de bronbewijslast te navigeren.

3. Experimentele Opzet en Resultaten

Het framework werd geëvalueerd op een benchmark van 100 gouden standaard Lupus Nephritis (LN) casusrapporten uit de PubMed Central (PMC) Open Access Subset.

Dataset Kenmerken: Gemiddelde lengte van ~24.500 tokens (bereik: 18.200–32.800). Casussen bevatten multi-fase behandelingen, expliciete dosering en verwijzingen naar belangrijke richtlijnen (KDIGO, EULAR).
Baselines:
- Flat RAG: 512-token chunks, FAISS retrieval, Llama3-8B-Instruct (single-pass, geen recursie/provenance).
- Long-Context LLM's: Getest op Qwen3-14B, Llama3.1-8B, en Gemma2-9B op een pilotset van 10 Rheumatoid Arthritis casussen.

Belangrijkste Prestatie-indicatoren

Structurele Consistentie: C-RLM bereikte 100%, waarmee de schema-drift geobserveerd bij Flat RAG (99,0%) en Long-Context LLM's (die schema-schendingen of drift vertoonden) werd geëlimineerd.
Regime Recall (F1): C-RLM bereikte 99%, een verbetering van 7 procentpunten ten opzichte van de Flat RAG-baseline (92%).
Provenance Traceability: C-RLM bereikte 100% deterministische traceerbaarheid, terwijl baselines probabilistisch of niet aanwezig waren.
Conflictgevoeligheid: C-RLM scoorde 0,82 in het correct signaleren van overlappende medicatieverwijzingen, vergeleken met 0,45 voor de baseline.

Computationele Afweging

De recursieve architectuur introduceert een 2,7× computationele overhead (42,8s latentie versus 15,4s voor Flat RAG; 22.450 tokens versus 8.200 tokens). De auteurs stellen echter dat deze kosten een evenredige winst in veiligheid en betrouwbaarheid opleveren.

Kwalitatieve Bevindingen ("The Synthesis Dividend")

In "lost-in-the-middle" scenario's waar medicijnregimes gescheiden waren door >2.000 tokens, faalden Flat RAG en single-pass LLM's om het traject te verenigen (bijv. door "CellCept" en "Mycophenolate" als aparte regimes te behanden). C-RLM slaagde erin deze succesvol te verenigen tot één coherent traject met volledige audit trails, waarbij klinisch cruciale entiteiten die over verre tekstsegmenten verspreid waren, werden hersteld.

4. Betekenis en Claims

Het artikel stelt dat voor veiligheidskritische klinische toepassingen de afruil in latentie gerechtvaardigd wordt door significante winsten in betrouwbaarheid, controleerbaarheid en ondersteuning van human-in-the-loop governance.

Architecturale Noodzaak: De studie demonstreert dat architecturale recursie noodzakelijk is voor hoogwaardige klinische synthese, aangezien het louter vergroten van de context window van moderne LLM's geen garanties biedt voor structurele restricties of betrouwbare aliasresolutie.
Controleerbaarheid als Vereiste: Het TraceTracker-systeem biedt een fundamenteel mechanisme voor regelgevende naleving (bijv. FDA QSR, EU MDR) door citatie-hallucinaties te elimineren en karakter-offset resolutie te bieden.
Verschuiving in Paradigma: C-RLM verschuift het paradigma van probabilistische tekstgeneratie naar deterministische klinische assemblage, waardoor een controleerbare basis wordt gecreëerd voor toezicht door artsen.

De auteurs positioneren C-RLM niet als een autonome diagnostische agent, maar als een physician-in-the-loop beslissingsondersteuningstool, ontworpen om de complexiteit van multi-morbi bewijssynthese te beheersen waar huidige RAG- en long-context modellen tekortschieten. Toekomstig werk wordt geïdentificeerd als de noodzaak voor prospectieve klinische validatie, integratie met live EHR-pipelines en expansie naar diverse klinische specialismen.