Zespół UIC-AIHealth4All z Uniwersytetu Illinois w Chicago zapresentował innowacyjne podejście do problemu odpowiadania na pytania kliniczne oparte na dokumentacji pacjentów w konkursie ArchEHR-QA 2026. Kluczową ideą systemu jest tzw. "answer-first pipeline", gdzie model najpierw generuje kandydujące odpowiedzi z bezpośrednim odwołaniem do konkretnych zdań z notatek klinicznych, a dopiero potem klasyfikuje pełny zestaw dowodów wspierających tę odpowiedź. Takie podejście sprawdza się lepiej niż tradycyjne metody, ponieważ ocena istotności dokumentu jest łatwiejsza w kontekście już wygenerowanej odpowiedzi.
W czwartym podtaskiem zespół zastosował metodę self-consistency voting - model niezależnie przetwarzał zadanie pięć razy, a linki między odpowiedziami i dowodami przyjmowano na podstawie głosowania z ustalonym progiem. Ostateczne wyniki pokazały trzecie miejsce w identyfikacji dowodów z wynikiem Strict Micro F1 62,90, piąte miejsce w wyrównaniu odpowiedzi-dowodów z F1 79,81 i dziewiąte w ogólnym generowaniu odpowiedzi. Chociaż rezultaty konkurencyjne, szczególnie istotne były wnioski z analizy post-hoc.
Głębsza analiza 45 cech stylistycznych ujawniła znaczący problem: wygenerowane odpowiedzi medyczne pozostawały o 3,2 stopnia Flesch-Kincaid trudniejsze do czytania niż teksty napisane przez lekarzy, mimo że miały porównywalne liczby słów i zdań. To sugeruje, że systemy AI wykorzystywane w klinicznym przetwarzaniu języka naturalnego powinny mieć jako wyraźny cel optymalizację czytelności, aby rzeczywiście wspomagały praktyków medycznych. Kod i propmpty są dostępne na githubie projektu.