sebis на ArchEHR-QA 2026: Сколько можно сделать локально? Оценка обоснованного вопросно-ответного поиска по EHR на одном ноутбуке
sebis at ArchEHR-QA 2026: How Much Can You Do Locally? Evaluating Grounded EHR QA on a Single Notebook
March 14, 2026
Авторы: Ibrahim Ebrar Yurt, Fabian Karl, Tejaswi Choppa, Florian Matthes
cs.AI
Аннотация
Клиническое ответы на вопросы по электронным медицинским картам (ЭМК) могут помочь врачам и пациентам получать доступ к соответствующей медицинской информации более эффективно. Однако многие современные подходы полагаются на крупные облачные модели, которые сложно развертывать в клинических условиях из-за ограничений конфиденциальности и вычислительных требований. В данной работе мы исследуем, насколько эффективным может быть основанное на ЭМК ответы на вопросы при ограничении ресурсами одного ноутбука. Мы участвуем во всех четырех подзадачах совместного задания ArchEHR-QA 2026 и оцениваем несколько подходов, разработанных для работы на стандартном оборудовании. Все эксперименты проводятся локально без использования внешних API или облачной инфраструктуры. Наши результаты показывают, что такие системы могут достигать конкурентоспособной производительности в рейтингах совместного задания. В частности, наши решения показывают результат выше среднего в двух подзадачах, и мы наблюдаем, что меньшие модели могут приближаться к производительности значительно более крупных систем при правильной настройке. Эти результаты свидетельствуют о том, что сохраняющие конфиденциальность системы ответов на вопросы по ЭМК, работающие полностью локально, реализуемы с использованием современных моделей и стандартного оборудования. Исходный код доступен по адресу 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.