Cet article présente une étude exploitant des modèles linguistiques à grande échelle (MLH) et des techniques de génération augmentée de recherche (GAA) pour relever les défis posés par les textes longs, bruyants et redondants dans les dossiers médicaux électroniques (DME). Afin de pallier la fenêtre contextuelle limitée des MHL existants, nous utilisons le GAA pour extraire des passages pertinents de l'ensemble du DME et l'appliquons à trois tâches cliniques : l'extraction de procédures d'imagerie, la génération de schémas antibiotiques et l'identification de diagnostics majeurs. À l'aide de données réelles de DME hospitaliers, nous évaluons trois MHL de pointe avec des niveaux de contexte variables. Nous démontrons que le GAA offre des performances similaires, voire supérieures, aux méthodes utilisant uniquement des dossiers récents, atteignant des performances comparables à celles du contexte complet avec un nombre de jetons d'entrée nettement inférieur. Cela suggère que le GAA reste une approche compétitive et efficace, même avec l'émergence de nouveaux modèles capables de traiter des textes plus longs.
