临床问答（QA）系统通常基于干净的输入进行推理评估，但实际应用中，从电子健康记录（EHR）笔记中检索信息时，否定、时间性和家族-患者归属等因素可能导致正确答案被误判。为了解决这一问题，研究人员提出了EpiKG——一种断言感知的知识图谱，为每个事实附加断言标签和时间性标签，并根据问题意图进行检索。同时，他们创建了ClinicalBench基准测试，对MIMIC-IV数据集中的43名患者提出400个问题，涵盖9个断言敏感类别。
研究团队在6个大语言模型（LLM）上进行了7种条件的消融实验，包括Claude Opus 4.6、GPT-OSS 20B、MedGemma 27B、Gemma 4 31B、MedGemma 1.5 4B和Qwen 3.5 35B。三位医师对100个配对项目进行了盲法裁决。作者盲法主要终点（由两位外部医师对50个一致严格项目进行评估）显示，EpiKG相比基线提升22.0个百分点（95%置信区间[5.1,31.5]，p=0.0192）。架构新颖性方面，意图感知的知识图谱检索增强生成（KG-RAG）相对于Contriever密集RAG基线提升了8.84个百分点（p=0.00179），在理想意图下提升12.43个百分点。敏感性分析结果方向一致：三位医师多数裁决提升24.0个百分点，确定性关键词可重复性代理提升39.5个百分点。
值得注意的是，随着LLM基线性能提升，EpiKG带来的增益逐渐减小（beta=-1.123，r=-0.921，p=0.009）。此外，医师裁决发现56%的自动生成的参考答案存在缺陷，这一方法论发现表明，基于NLP管道的临床QA基准必须经过医师审核才能使用。所有代码、基准测试和裁决数据均已公开。