臨床問答（QA）系統通常基於乾淨的輸入進行推理評估，但實際應用中，從電子健康記錄（EHR）筆記中檢索資訊時，否定、時間性和家族-患者歸屬等因素可能導致正確答案被誤判。為了解決這一問題，研究人員提出了EpiKG——一種斷言感知的知識圖譜，為每個事實附加斷言標籤和時間性標籤，並根據問題意圖進行檢索。同時，他們建立了ClinicalBench基準測試，對MIMIC-IV資料集中的43名患者提出400個問題，涵蓋9個斷言敏感類別。
研究團隊在6個大語言模型（LLM）上進行了7種條件的消融實驗，包括Claude Opus 4.6、GPT-OSS 20B、MedGemma 27B、Gemma 4 31B、MedGemma 1.5 4B和Qwen 3.5 35B。三位醫師對100個配對專案進行了盲法裁決。作者盲法主要終點（由兩位外部醫師對50個一致嚴格專案進行評估）顯示，EpiKG相比基線提升22.0個百分點（95%置信區間[5.1,31.5]，p=0.0192）。架構新穎性方面，意圖感知的知識圖譜檢索增強生成（KG-RAG）相對於Contriever密集RAG基線提升了8.84個百分點（p=0.00179），在理想意圖下提升12.43個百分點。敏感性分析結果方向一致：三位醫師多數裁決提升24.0個百分點，確定性關鍵詞可重複性代理提升39.5個百分點。
值得注意的是，隨著LLM基線效能提升，EpiKG帶來的增益逐漸減小（beta=-1.123，r=-0.921，p=0.009）。此外，醫師裁決發現56%的自動生成的參考答案存在缺陷，這一方法論發現表明，基於NLP管道的臨床QA基準必須經過醫師稽核才能使用。所有程式碼、基準測試和裁決資料均已公開。