长期预测电子健康记录（EHR）时常受到患者轨迹稀疏和不规则的限制，外部知识图（KG）可以在一定程度上缓解这些问题。现有方法大多采用固定、与上下文无关的拓扑增强，即无论患者状态如何，都向图中加入相同的 KG 节点和边。
我们提出 ReTA——一种基于强化学习的动态拓扑增强框架，将 KG 导入视为每次就诊的预算感知策略。ReTA 首先离线构建一个经过精炼的 KG 模板池，然后学习策略在每次就诊时从三种操作中选择其一：
- 软导入：仅丰富节点特征，不改变图结构；
- 硬导入：将紧凑的 KG 子图 graft 到就诊图上，形成消息传递的快捷通道；
- 跳过：当基础编码器已足够自信时保持原图不变。
为稳定学习，ReTA 采用解耦编码器，将语义信号和结构信号分别在独立通道中处理，并通过自适应门控进行融合。
在 MIMIC‑III 与 MIMIC‑IV 数据集上进行诊断预测、死亡率预测和再入院预测实验，ReTA 始终优于强基线，且保持高效。它能够在不同数据集和 KG 之间迁移，且产生可解释的增强模式。尤其在监督稀疏的情况下，动态决定导入知识的优势更加突出，既提升了准确率，又控制了成本。
点评：ReTA 通过强化学习实现了针对患者状态的自适应 KG 导入，解决了固定增强的局限，展示了在真实临床数据上可解释且高效的提升路径。