Badacze zidentyfikowali krytyczny problem w przetwarzaniu elektronicznych dokumentów pacjentów przez duże modele językowe - zjawisko zwane Lost-in-the-Middle Effect, gdzie informacje ze środka długiego tekstu są czytane mniej dokładnie niż tekst z brzegów. W medycynie problem jest szczególnie poważny, bo najważniejsze informacje trafiają akurat w środek dokumentu. Zespół przeanalizował to zagadnienie na zbiorze 2196 instrukcji medycznych testując sześć różnych modeli i potwierdził znaczący spadek dokładności - z piku 59,5% dla informacji z początku dokumentu do zaledwie 37,6% w środkowej części.
Jako rozwiązanie naukowcy zaproponowali metodę QCCS (Query-Conditioned Clinical Suppression) - lekki mechanizm selekcji fragmentów dokumentu, który inteligentnie wybiera najistotniejsze fragmenty na podstawie konkretnego zapytania. Podejście to zostało przetestowane na modelu Qwen2.5-7B-Instruct i porównane z tradycyjnymi metodami retrieval takimi jak BM25, dense retrieval i cross-encoder reranking. QCCS wyraźnie przewyższył konkurencję, osiągając 25,3% dokładności w porównaniu z maksymalnie 3,6% dla pozostałych podejść retrieval-only. Dla informacji umieszczonych w środku dokumentu przewaga była jeszcze bardziej dramatyczna - 16,7% dla QCCS wobec 0-3,3% dla alternatyw.
To odkrycie ma istotne znaczenie dla praktycznego wdrażania modeli AI w placówkach medycznych, gdzie dokumenty pacjentów rutynowo przekraczają 100 tysięcy tokenów. Zaproponowana metoda QCCS oferuje stosunkowo prosty sposób na poprawę niezawodności AI w kluczowych aplikacjach klinicznych, minimalizując ryzyko przeoczeń ważnych informacji medycznych.