← 返回 2026-05-14

RealICU：LLM 智能体真的理解长上下文 ICU 数据吗？一个超越行为模仿的基准 RealICU: Do LLM Agents Understand Long-Context ICU Data? A Benchmark Beyond Behavior Imitation

Chengzhi Shen, Weixiang Shen, Tobias Susetzky, Chen, Jun Li, Yuyuan Liu, Xuepeng Zhang, Zhenyu Gong, Daniel Rueckert, Jiazhen Pan 📅 2026-05-13 👍 8 2026-07-13 08:36
临床决策 医疗AI 基准测试 智能体 记忆机制 长上下文
arXiv HuggingFace PDF

首个 ICU 时序临床决策基准，用事后标注揭示 LLM 在长程推理中的两大失效模式。

前置知识

ICU 临床决策支持

重症监护室（ICU）是医院信息密度最高的环境之一，单个患者数小时内即可产生大量实验室结果、生命体征、用药、护理记录与影像报告。医生需在时间压力下整合不断演化的信息流做出连续评估。AI 决策支持系统通常作为'临床副驾驶'，帮助医生实时监控与决策，而非替代人类判断。

理解 ICU 决策的特殊性——信息密集、时间敏感、后果高风险——是读懂本文为何要构建'事后标注'基准的前提。

行为模仿（Behavior Imitation）

现有医疗 AI 基准通常把电子病历中记录的临床医生行为当作'正确答案'，让模型去拟合。但这些行为是医生在信息不完整、上下文受限的床边环境中做出的，可能并非真正的最优选择。这种把'做过的事'等同于'该做的事'的范式，被作者称为行为模仿。

本文核心论点是'行为模仿'不等于'临床正确性'，并据此提出事后标注的替代方案——这是全文最重要的方法论立论。

事后视角（Hindsight Annotation）

指标注者在观察完患者的完整病程（包括最终结局）之后，再回头评判某一时刻的临床状态与决策是否正确。这与实时决策视角形成对比——后者只能在当下已知信息下判断。在本文中，事后标注由资深 ICU 医生在审阅完整轨迹后给出，构成 RealICU-Gold 的金标准。

事后标注是 RealICU 区分于以往基准的核心方法论创新，它让评估目标从'能否模仿历史行为'转向'能否在已知结局下做出正确临床判断'。

记忆增强 LLM 智能体（Memory-Augmented LLM Agent）

指在 LLM 之外维护一个可读写、可演化的'记忆状态'的智能体架构。当上下文过长时，模型无法把全部历史塞入 prompt，因此引入工作记忆、趋势记忆、事件日志、轨迹摘要、个性化洞察等结构化记忆组件，并由专门的子智能体（如观察、评估、洞察）按不同时间尺度更新。代表工作包括 ReAct、AgentFold、Evo-Memory、A-MEM。

ICU-Evo 是这一家族的最新实例，但其核心贡献是发现'结构化记忆'并不能解决 ICU 决策中的安全失效。

语义匹配（Semantic Matching）

在评估自由文本输出（如'急性问题'列表）时，不能用字符串相等来判断对错。本文使用 PubMedBERT 医学领域预训练模型生成嵌入向量，再以余弦相似度阈值 $\tau=0.5$ 进行二分类匹配。该阈值在 100 对专家标注的校准集上达到 F1=0.958、精度=1.00。

它是连接'自然语言输出'与'结构化评测指标'的桥梁，没有它就无法把 LLM 的自由输出转化为 Hit@5、Recall@5 等可比指标。

研究动机

现有 ICU 相关 AI 基准普遍存在两类根本缺陷。第一类是把临床推理简化为静态问答（如 MedQA、PubMedQA）、诊断或多轮问诊（如 AI Hospital、AgentClinic、VivaBench），又或是单一终点预测（如死亡率、是否发生休克、AKI），无法评估模型在不断演化的患者轨迹上做连续床边再评估的能力。第二类也是更根本的问题：基于 MIMIC-IV、HiRID、eICU-CRD 等电子病历构建的基准，把'医生在床边的实际行为'当作 ground truth，但这些行为是在信息不完整、时间压力下的次优选择——例如在 22:00 看到乳酸 1.3 时无法预知它在 24 小时内会升到 3.6。直接拟合这些行为，奖励的是对次优历史的模仿，而非临床正确性。此外，即便存在'安全警告'概念，HRR 等显式安全指标几乎从未被纳入 ICU 决策支持评估。

本文的目标是本文目标是构建一个在真实 ICU 决策场景下衡量 LLM 智能体临床推理能力的基准。具体包含三个可量化目标：(1) 设计四个医生驱动的临床任务——患者状态（Patient Status，三分类）、急性问题（Acute Problems）、推荐行动（Recommended Actions）、红旗行动（Red Flags）——并覆盖 30 分钟粒度的密集时序评估；(2) 用资深医生在看到完整病程后给出的事后标注作为金标准，避免行为模仿偏差；(3) 提供 Gold（930 窗，94 住院）和 Scale（11,862 窗，Oracle 扩展）双规模数据，并显式量化'有害建议率'（HRR）作为安全检查，使基准能识别当前 LLM 智能体在长程推理中的系统性失效模式。

与已有工作不同的是，本文的独特切入角度是'把医疗 AI 评估从行为模仿切换到临床正确性'。它没有被前两类基准的形态（QA / 诊断 / 终点预测）所限制，也没有陷入'指标越高越好'的窠臼。作者做了 30+ 位临床医生咨询、引入 5 位资深 ICU 主治作为标注者，并设计了一个事后视角的'Oracle'（用 Gemini-3.1-pro 实现，经 0.895-0.987 F1 验证）以实现规模化。更关键的是，他们不只是评估，更把基准当诊断工具：先用基准发现 LLM 智能体在 ICU 决策中暴露的两大失效模式（recall-safety tradeoff 与 anchoring bias），再提出 ICU-Evo 这种结构化记忆智能体作为缓解尝试，承认'记忆不是万能药'。

核心方法

RealICU 的方法学直觉是：把临床决策评估从'模型输出 ≈ 历史医生行为'的拟合任务，转向'模型输出 ≈ 事后最优决策'的临床正确性任务。具体而言，它把 ICU 轨迹切成 30 分钟的评估窗（每 2 小时采样一次），每个窗 $W_t = (X_t; S_t, P_t, A_t, R_t)$ 包含截至时刻 $t$ 的全部可观测事件 $X_t$，以及由事后视角标注的四类标签。模型在 $t$ 时刻只能看到 $X_t$，但评估时拿它和事后金标准比——这模拟了'实时决策 vs. 病例回顾'之间的不对称。在数据层面，RealICU-Gold（930 窗）由 5 位资深医生独立标注（IRR 0.826-0.985），RealICU-Scale（11,862 窗）则用 Oracle——一个用 Gemini-3.1-pro 实现的 LLM 事后评估器——扩展。Oracle 在 Gold 上达到 0.895-0.987 F1，跨任务均超过 0.895，可作为可靠规模化标注器。在算法层面，本文提出 ICU-Evo：一个把临床记忆分解为工作、趋势、关键事件、轨迹、个性化洞察五类异构组件的智能体框架，由三个 LLM 子智能体（Observation/Assessment/Insight）按不同时间尺度协同维护。

本文最核心的创新有两点。第一点是方法论上的：用'事后标注'替代'行为模仿'作为评估目标，从而把'AI 在 ICU 能不能做出正确判断'和'AI 能不能模仿历史医生'这两个问题彻底解耦。这一切换直接暴露了行为模仿基准无法发现的隐性失效——例如当前 LLM 智能体在推荐更多治疗时，有高达 47.3% 的推荐被标记为潜在有害（即 HRR@5=0.473，GPT-5.4 + ICU-Evo）。第二点是技术上的：把临床记忆设计为异构多组件（$M_t = (M^{work}_t, M^{trend}_t, M^{event}_t, M^{traj}_t, M^{insight}_t)$），让不同时间尺度的临床信息各得其所——原始事件、对齐到窗的趋势、append-only 关键事件、周期性轨迹摘要、患者特异性假设。与 AgentFold（统一文本摘要）、A-MEM（统一 note schema）、Evo-Memory（task-as-unit）这些把记忆压成单一表示的方案相比，ICU-Evo 让'什么类型、按什么粒度、按什么更新策略'三个问题分别由不同组件回答。

方法步骤详情

RealICU 评估流程：第 1 步，从 MIMIC-IV 抽取 94 名患者，按 ICU 结局平衡、按住院时长（<96h vs >96h）平衡；第 2 步，把每次 ICU 入住切成 30 分钟窗、2 小时步长，得到约 11,862 个候选窗；第 3 步，按动作密度 $\rho_t = |E^{action}_t|/|E_t|$ 取 80% 高密度窗 + 20% 低密度窗，由 5 位资深医生中至少 2 位独立标注，IRR 0.826-0.985，最终保留 930 窗为 RealICU-Gold；第 4 步，对全部 11,862 窗调用 Oracle（Gemini-3.1-pro + 完整轨迹 prompt）做后视角标注，得到 RealICU-Scale；第 5 步，模型在每个窗接收 $X_t$（裁剪到结局揭示事件之前）并预测 $(\hat{S}_t, \hat{P}^{(k)}_t, \hat{A}^{(k)}_t)$；第 6 步，用 PubMedBERT 嵌入 + $\tau=0.5$ 余弦阈值做语义匹配，计算 Accuracy / F1（Patient Status）、Hit@5 / R@5（Acute Problems & Action Recom.）、HRR@5（Red Flags，越低越好）。ICU-Evo 训练/推理流程：第 1 步，Observation Agent $A_{obs}$ 在每个窗把原始事件 $x_t$ 归一化、对齐到 30 分钟窗、用 PAA（Piecewise Aggregate Approximation）提取趋势信号，输出 $(M^{work}_t, M^{trend}_t)$；第 2 步，Assessment Agent $A_{assess}$ 每 $k_a=12$ 窗（6 小时）触发一次，把最近 12 窗的工作+趋势记忆压缩为轨迹摘要 $z_t$ 追加到 $M^{traj}_t$，并抽取关键事件 $\tilde{E}_t$ 追加到 $M^{event}_t$；第 3 步，Insight Agent $A_{insight}$ 每 $k_i=12$ 窗触发一次，从 $M^{event}_t$ 收集支持/反证，对每条患者特异性假设 $h_t$ 决策接受（$s(h)>r(h)$）或拒绝；第 4 步，Predictor $f^{(k)}$ 是任务特定的 prompt LLM，输入完整记忆状态 $M_t$ 与静态患者上下文 $c$，输出对应任务的 top-k 预测。注意 Action Recommendation 在预测前会先剥离当前窗的已记录动作以防标签泄漏。

技术新颖性

技术上，RealICU 的新颖性体现在三处。第一处是'事后标注'范式本身——以往基准没有把'真实最优 vs. 床边决策'的不对称当作核心评估信号，本文用医生共识 + Oracle 双重验证把这一不对称显式化（IRR 0.826-0.985，Oracle F1 0.895-0.987）。第二处是异构五组件记忆设计 $M_t = (M^{work}, M^{trend}, M^{event}, M^{traj}, M^{insight})$，并对每个组件绑定不同时间尺度的更新算子（每窗 / 每 6 小时 / 每 6 小时），与 AgentFold 的统一摘要、A-MEM 的统一 note、Evo-Memory 的 task-as-unit 形成清晰对比。第三处是'失效模式即贡献'的负面发现：recall-safety tradeoff（recall 提升 26.8 Hit@5 的代价是 HRR 从 0.234 翻倍到 0.473）与 anchoring bias（去 insight 反而让 Action Recom. Hit@5 从 0.526 升到 0.601）——这些发现本身比 ICU-Evo 的具体提升更有价值，因为它们揭示了当前 LLM 智能体在长程高风险决策中的系统性陷阱。

Data pipeline for RealICU-Gold and RealICU-Scale (left); Data samples for a patient ICU trajectory (right).
Figure 2: Data pipeline for RealICU-Gold and RealICU-Scale (left); Data samples for a patient ICU trajectory (right).
ICU-Evo memory snapshot at 87.5–88.0 hours after admission. The five layers of memory together constitute the full state available to the prediction modules at this window.
Figure 13: ICU-Evo memory snapshot at 87.5–88.0 hours after admission. The five layers of memory together constitute the full state available to the prediction modules at this window.

实验结果

核心发现一：RealICU 对当前前沿 LLM 智能体仍是未解难题。以 Gemini-3.1-pro + ICU-Evo 为例，Patient Status 准确率仅 0.459、F1 0.365，Action Recommendation R@5 仅 0.534，Red Flags HRR@5 高达 0.300——意味着每推荐 5 个行动里就有一个被事后医生标记为潜在有害。GPT-5.4 + ICU-Evo 的表现更差：HRR@5 飙到 0.473（接近一半推荐有害），Patient Status Acc 仅 0.312。Qwen3-235B + ICU-Evo 全面落后（Patient Status F1 0.197、Action Recom. Hit@5 0.526）。核心发现二：结构化记忆稳定优于 baseline。在 RealICU-Gold 上，GPT-5.4 + ICU-Evo 相对 RAG 提升 +26.8 Hit@5（Acute Problems）、+19.6 Hit@5（Action Recom.），Gemini-3.1-pro 在 RealICU-Scale 上 Hit@5 Acute Problems 高达 0.827（比 RAG 的 0.568 高 +0.259）。时间维度上，ICU-Evo 在 Patient Status 与 Acute Problems 上的优势一直保持到 1,800 小时 ICU 住院时长，而 RAG 衰减明显。核心发现三：Agent-Oracle 鸿沟巨大。同一 backbone 下，Oracle 看完整轨迹后 Patient Status F1=0.987、Red Flags F1=0.964，而 ICU-Evo 实时推理只拿到 F1=0.365 与 HRR=0.300——这 0.6+ F1 差距不是医疗知识瓶颈，而是'如何随时间整合证据'的推理瓶颈。核心发现四：失效模式可重复。在 394 个被 GPT-5.4 + ICU-Evo 误推荐的案例中，135 例集中在血流动力学/升压药管理、64 例容量/利尿、54 例抗凝、53 例通气/镇静——LLM 倾向'识别综合征的局部后就把整套治疗方案抛出来，没排除禁忌'。核心发现五：异构记忆 ablation 揭示洞察记忆的负面作用。去掉 insight 反而让 Qwen3-235B 的 Action Recommendation Hit@5 从 0.526 升到 0.601，验证了 anchoring bias——存储的'洞察'（约 80% 包含预判性例外）会把模型推向不必要的'救援方案'。

RealICU-Gold label quality and Oracle validation.
Table 1: RealICU-Gold label quality and Oracle validation.
Evaluation results on RealICU-GOLD. Within each backbone, bold marks the best system per column and underline the second best.
Table 2: Evaluation results on RealICU-GOLD. Within each backbone, bold marks the best system per column and underline the second best.
Memory ablation on RealICU-GOLD. For each row, we remove one component from ICU-Evo's memory.
Table 3: Memory ablation on RealICU-GOLD. For each row, we remove one component from ICU-Evo's memory.
Temporal performance on RealICU-Scale (Gemini-3.1-pro). ICU-Evo demonstrates its advantage on Patient Status and Acute Problems even up to 1,800-hour trajectory.
Figure 3: Temporal performance on RealICU-Scale (Gemini-3.1-pro). ICU-Evo demonstrates its advantage on Patient Status and Acute Problems even up to 1,800-hour trajectory.
Averaged patient status trajectories from Oracle on RealICU-Scale. Window-level Patient Status labels are mapped to an ordinal score (deteriorating = −1, stable = 0, improving = +1) and aggregated into normalized duration time.
Figure 6: Averaged patient status trajectories from Oracle on RealICU-Scale. Window-level Patient Status labels are mapped to an ordinal score (deteriorating = −1, stable = 0, improving = +1) and aggregated into normalized duration time.
查看结构化数据
任务指标本文基线提升
Patient Status (RealICU-Gold) Accuracy ICU-Evo on Gemini-3.1-pro: 0.459 RAG on Gemini-3.1-pro: 0.402 +0.057 (≈+14.2%)
Patient Status (RealICU-Gold) F1 ICU-Evo on Gemini-3.1-pro: 0.365 RAG on Gemini-3.1-pro: 0.348 +0.017
Acute Problems (RealICU-Gold) Hit@5 ICU-Evo on GPT-5.4: 0.867 RAG on GPT-5.4: 0.599 +0.268 (≈+44.7%)
Acute Problems (RealICU-Scale) Hit@5 ICU-Evo on Gemini-3.1-pro: 0.827 RAG on Gemini-3.1-pro: 0.568 +0.259
Action Recommendation (RealICU-Gold) Hit@5 ICU-Evo on GPT-5.4: 0.676 RAG on GPT-5.4: 0.480 +0.196
Action Recommendation (RealICU-Sold) Recall@5 ICU-Evo on Gemini-3.1-pro: 0.534 RAG on Gemini-3.1-pro: 0.313 +0.221
Red Flags (RealICU-Gold) HRR@5 (↓) ICU-Evo on Gemini-3.1-pro: 0.300 RAG on Gemini-3.1-pro: 0.216 ↑ 0.084（安全失败反而恶化，验证 recall-safety tradeoff）
Red Flags (RealICU-Gold) HRR@5 (↓) ICU-Evo on GPT-5.4: 0.473 RAG on GPT-5.4: 0.234 ↑ 0.239（HRR 翻倍以上，安全性急剧恶化）
Oracle 自身 (Patient Status) F1 Oracle on Gemini-3.1-pro: 0.987 ICU-Evo (real-time): 0.365 Agent-Oracle 鸿沟 +0.622

局限与改进

作者在 Limitations 章节明确了几点：(1) 数据来自单一 MIMIC-IV 队列，demographics 与 care-pattern 分布可能不能迁移到不同 staffing 或 documentation 习惯的 ICU，多中心国际化扩展是必要方向；(2) 由于算力约束，每个 LLM 配置只跑一次实验，没有给出长 ICU 轨迹上的方差估计；(3) 只使用文本数据，多模态数据（影像、ECG、EEG、波形）留作未来工作。此外，从我的观察看，还存在几个隐含局限：(a) Oracle 用 Gemini-3.1-pro 自身实现，可能存在 backbone-specific 偏差（虽然作者说明 Oracle 是 backbone-agnostic 的）；(b) 评估窗在 2 小时步长下仍有信息重叠，可能让 baseline 比真实情况稍强；(c) HRR@5 用 LLM-classifier 把 394 例误推荐聚类到 4 类，但分类器本身没有独立验证；(d) 医生标注只覆盖 94 个住院的 930 窗，行动密度加权（80% 高密度）让数据偏向'有干预的瞬间'，可能让模型对'安静观察期'的预测系统性差；(e) ICU-Evo 的 5 组件记忆引入了大量 prompt 工程，对 prompt 措辞的敏感性没有 ablation；(f) 工作 / 趋势记忆对当前窗强依赖，可能在'安静窗'上完全失效（如 D.2 案例中 4 事件中无生命体征），加剧 anchoring bias。

独立分析的弱点

独立分析的弱点可分为三组。第一组关于评估范式：(i) RealICU 只用 PubMedBERT 嵌入做语义匹配，$\tau=0.5$ 阈值在 100 对校准上达到 0.96 F1 但 8% 召回损失——在大量 Red Flag 类别（每窗中位 1 个）下，假阴性会被严重稀释，建议改用 LLM-as-judge + 专家抽检的双层校验；(ii) Oracle 与 ICU-Evo 共用 Gemini-3.1-pro，潜在 backbone 偏差未被独立 backbone（如 GPT、Qwen）上的 Oracle 复现检验。第二组关于方法鲁棒性：(iii) ICU-Evo 的 $k_a=k_i=12$ 窗（6 小时）硬编码于 ICU 节奏，但 paper 没有做 stride / 周期 ablation，不同 ward 或不同病情进展速度下需要重调；(iv) 趋势记忆用 PAA 提取——PAA 对非平稳信号（如脓毒症休克时的乳酸跃迁）会平滑掉关键拐点，建议探索贝叶斯变化点或在线 changepoint detection；(v) 关键事件抽取依赖 LLM 的'重要性'判断，但 prompt 强调'Err toward under-listing'——这与下游 Action Recommendation 需要的细粒度干预信号可能冲突，建议加入'以反事实干预收益打分'的事件排序。第三组关于实际部署：(vi) 当前评估没有区分'高确定性推荐'与'低确定性推荐'，HRR@5 把所有推荐等同加权——临床现实是漏掉一个升压药的代价远高于多推荐一个 CT 扫描，应引入风险加权 HRR；(vii) Oracle 在 Boundary mis-calibration 上仍有失败（stable-improving / stable-deteriorating 边界），意味着它对'中性时段'的判断会传噪声给训练。

未来方向

作者提出的方向包括：多中心 / 国际化 ICU 数据扩展、多模态融合（影像、ECG、波形）、降低对单次实验的依赖以报告轨迹级方差。基于论文成果可以延伸的方向：(1) 把 RealICU 的'事后视角'范式推广到其他高风险序贯决策领域（如急诊分诊、围手术期管理、放疗剂量调整）——任何'事后才能看到正确动作'的领域都可以借鉴 Oracle 范式；(2) 把当前的 4 任务扩展为'长程 outcome prediction'，例如把 Red Flag HRR 进一步与 30 天死亡率、ICU 住院时长等硬终点耦合，形成多层安全指标；(3) 探索针对 anchoring bias 的专门缓解：比如对 insight 记忆加'失效检测器'（若某条 insight 的支持证据连续 N 个窗减少则自动退役），或用 retrieval-based memory 替代生成的 insight；(4) recall-safety tradeoff 需要 Pareto-optimal 训练目标，可考虑用 constrained decoding 强制在 top-k 中保留至少 1 个'安全监控项'；(5) 引入 agent-level 的'犹豫信号'，在置信度不足时主动要求人工接管，避免 HRR 在高风险临床决策上的硬错误。

复现评估

复现评估整体偏正面但有挑战。代码与数据：项目页 chengzhi-leo.github.io/RealICU-Bench 公开；MIMIC-IV 本身需要 PhysioNet 申请，数据构建 pipeline（cohort sampling / windowing / 标注协议 / Oracle prompt）描述详尽（Appendix A.5、Appendix E.1），与论文 Figure 2 数据流图一致。数据规模：RealICU-Gold 930 窗来自 94 住院，RealICU-Scale 11,862 窗（test-only 防泄漏），单次评估可下载即用。算力：论文使用 Gemini-3.1-pro / GPT-5.4（闭源 API）+ Qwen3-235B-A22B（开源权重），从 Table 9 的 token 用量看，仅 Qwen 一次 RealICU-Scale 评估就需要 11,862 预测 × 21,435 input tokens ≈ 2.54 亿 token，闭源 API 成本可观；论文也明确说'Gemini/GPT full-context on Scale 因算力被砍'。复现难度：约中等偏难。'可复现'部分（baseline、Oracle、评估脚本）容易，但'完全复现论文结论'受限于：(a) 闭源模型版本漂移与时间不一致；(b) 5 位资深 ICU 医生标注不可独立复现；(c) Oracle F1 0.895-0.987 与 prompting 强相关，不同 prompt template 会有 5-10% 波动。建议复现策略：先用 Qwen3-235B 跑通 pipeline 验证 ablation 趋势，再以 100-200 窗抽样的方式在 GPT/Gemini 上交叉验证。整体而言，这是一篇'方法论 + 基准 + 失败模式分析'三合一的论文，其'基准 + Oracle'的设计可被后续医疗 AI 评估工作直接借鉴。

论文图表

ICU decisions are made under massive data volume and time pressure. An ICU AI co-pilot integrates data streams into a decision-support panel that assesses Patient Status, identifies Acute Problems, proposes Recommended Actions, and warns against unsafe Red Flag actions.
Figure 1: ICU decisions are made under massive data volume and time pressure. An ICU AI co-pilot integrates data streams into a decision-support panel that assesses Patient Status, identifies Acute Problems, proposes Recommended Actions, and warns against unsafe Red Flag actions.

示意 ICU 副驾驶系统的产品形态：左侧'Long-Context ICU Data Stream'演示了密集数据流入，右侧'Clinical Decision Support'面板分四块——Patient Status（improving/stable/deteriorating）、Acute Problems（infection、septic shock、lactic acidosis 等具体诊断）、Recommended Actions（norepinephrine、vasopressin、lactated Ringer's 等具体剂量）、Red Flag Actions（aggressive diuresis、etomidate for intubation、beta-blockers 等带具体原因）。

它把四个临床任务在产品层面'画'了出来，是论文的'门面图'，后续所有实验设计（任务、指标、Red Flag 概念）都从这里出发。

Recall-safety tradeoff case study. ICU-Evo's stored insight #6 prescribes 'aggressive, anticipatory hyperosmolar interventions,' which propagates to prediction 2 — flagged as contraindicated by the gold annotation under current Na/osm.
Figure 11: Recall-safety tradeoff case study. ICU-Evo's stored insight #6 prescribes 'aggressive, anticipatory hyperosmolar interventions,' which propagates to prediction 2 — flagged as contraindicated by the gold annotation under current Na/osm.

55 岁女性蛛网膜下腔出血患者，191.5h（day-8），当前窗 63+ 事件、Insight #6 主张'激进预期性高渗治疗'。ICU-Evo 推荐 5 项行动，第 2 项'甘露醇/3% 高张盐水用于持续 ICP>20-22 mmHg'被事后金标准标记为红旗（患者 Na 已 155、osm 325，常规高渗已禁忌）。Trend memory 在当前窗为空，没有任何反信号来抵消 insight。

把 recall-safety tradeoff 从统计数字（HRR 0.473）变成一个具体的临床故事，是说服读者'这不是边缘 case'的关键叙事支撑。

Premature-anchoring case study. The window contains four events — oral water and a daily weight — and the gold status is stable. ICU-Evo's stored insight #2 carries forward the prior cardiopulmonary story of refractory hypoxemia, propagating to prediction 4, which prescribes an active oxygen target (88–92%) that the gold annotation marks as contraindicated under this patient's Eisenmenger baseline.
Figure 12: Premature-anchoring case study. The window contains four events — oral water and a daily weight — and the gold status is stable. ICU-Evo's stored insight #2 carries forward the prior cardiopulmonary story of refractory hypoxemia, propagating to prediction 4, which prescribes an active oxygen target (88–92%) that the gold annotation marks as contraindicated under this patient's Eisenmenger baseline.

Eisenmenger 综合征成年患者，baseline SpO2 85-93%、慢性右向左分流。当前 87.5h 窗只有 4 事件：口服水 300ml、体重 51.8kg，无任何生命体征。Insight #2 仍携带着前 80 小时的难治性低氧故事，ICU-Evo 顺势推荐第 4 项'继续 4 L/min 鼻导管，目标 SpO2 88-92%'——金标准红旗明确指出对这种 baseline 患者吸氧目标反而有害。

anchoring bias 的最具说服力的具体案例——'当前窗信息与既往记忆严重冲突时，模型仍按旧故事推'。