Dans cet article, nous proposons MedRAG, un modèle de génération augmentée de données (RAG) adapté à la récupération de dossiers médicaux électroniques (DME) confidentiels dans le domaine de la santé. Pour pallier les lacunes du modèle RAG heuristique existant en termes de précision et de spécificité diagnostiques, nous construisons un graphe de connaissances diagnostiques (GC) hiérarchique à quatre niveaux qui inclut les différences diagnostiques importantes entre les maladies, l'intégrons dynamiquement aux DME similaires extraits de la base de données du DME et l'inférons dans un modèle de langage à grande échelle. Cela fournit une aide à la décision plus précise et spécifique et suggère proactivement des questions de suivi pour améliorer la prise de décision médicale personnalisée. Nous évaluons MedRAG à l'aide du jeu de données public DDXPlus et du jeu de données de diagnostic de la douleur chronique (CPDD) confidentiel, collecté auprès de l'hôpital Tan Tok Sen, et comparons ses performances aux méthodes RAG existantes. En exploitant les capacités d'intégration d'informations et relationnelles de GC, nous démontrons que MedRAG surpasse les modèles de pointe en termes de réduction des erreurs de diagnostic.
