sebis à ArchEHR-QA 2026 : Jusqu'où peut-on aller en local ? Évaluation de la question-réponse ancrée sur les DSE sur un simple notebook
sebis at ArchEHR-QA 2026: How Much Can You Do Locally? Evaluating Grounded EHR QA on a Single Notebook
March 14, 2026
Auteurs: Ibrahim Ebrar Yurt, Fabian Karl, Tejaswi Choppa, Florian Matthes
cs.AI
Résumé
La réponse aux questions cliniques sur les dossiers de santé électroniques (DSE) peut aider les cliniciens et les patients à accéder plus efficacement aux informations médicales pertinentes. Cependant, de nombreuses approches récentes reposent sur de grands modèles basés sur le cloud, difficiles à déployer dans les environnements cliniques en raison des contraintes de confidentialité et des exigences computationnelles. Dans ce travail, nous étudions jusqu'où la réponse aux questions ancrée sur les DSE peut être poussée en se limitant à un simple ordinateur portable. Nous participons aux quatre sous-tâches de la tâche partagée ArchEHR-QA 2026 et évaluons plusieurs approches conçues pour fonctionner sur du matériel standard. Toutes les expériences sont menées localement sans API externes ni infrastructure cloud. Nos résultats montrent que de tels systèmes peuvent atteindre des performances compétitives sur les classements de la tâche partagée. En particulier, nos soumissions obtiennent des résultats supérieurs à la moyenne dans deux sous-tâches, et nous observons que des modèles plus petits peuvent approcher les performances de systèmes bien plus grands lorsqu'ils sont correctement configurés. Ces résultats suggèrent que des systèmes de question-réponse sur les DSE, préservant la confidentialité et fonctionnant entièrement en local, sont réalisables avec les modèles actuels et du matériel standard. Le code source est disponible à l'adresse https://github.com/ibrahimey/ArchEHR-QA-2026.
English
Clinical question answering over electronic health records (EHRs) can help clinicians and patients access relevant medical information more efficiently. However, many recent approaches rely on large cloud-based models, which are difficult to deploy in clinical environments due to privacy constraints and computational requirements. In this work, we investigate how far grounded EHR question answering can be pushed when restricted to a single notebook. We participate in all four subtasks of the ArchEHR-QA 2026 shared task and evaluate several approaches designed to run on commodity hardware. All experiments are conducted locally without external APIs or cloud infrastructure. Our results show that such systems can achieve competitive performance on the shared task leaderboards. In particular, our submissions perform above average in two subtasks, and we observe that smaller models can approach the performance of much larger systems when properly configured. These findings suggest that privacy-preserving EHR QA systems running fully locally are feasible with current models and commodity hardware. The source code is available at https://github.com/ibrahimey/ArchEHR-QA-2026.