在住院期间，患者的用药方案常会因临床决策而出现启动、停用或继续的变化。本文关注在入院后24小时内可获得的信息，预测在出院时药物类别的新增或删除。传统的完整方案评估往往奖励模型复制未变药物，导致对真实变更的识别能力被掩盖。为此，作者构建了一个泄漏受控的基准，仅使用既往完整住院记录和当前住院前24小时的数据，预测净ATC3层级的新增和删除。候选新增药物是24小时时未激活的类别，候选删除药物是当时已激活的类别。
在此基准上，提出了R‑GEAN（Regimen‑Guided Edit Action Network），它是一个非对称的候选评分网络，分别训练添加预测器和删除预测器。模型在240,480 次住院（82,286 名患者）上进行评估，综合指标 edit composite 达到 0.464，优于最强基线 0.435。重新实现的 RETAIN、GAMENet、MICRON 基线分别得到 0.428、0.420、0.288。R‑GEAN 的优势主要体现在准确识别出院时不再使用的药物类别，而对稀有新增和多药物变更的情况仍然困难。基于微观 F1 的完整方案排名与 edit composite 相关性低（Spearman r=0.20），说明两种评估方式关注的侧重点不同。即使“持续”基线不预测任何变更，也能在完整方案得分上最高，进一步凸显评估指标的差异。本文强调，完整方案评估与编辑层面评估衡量的是药物预测的不同维度，所提出的基准关注的是实际处方变更，而非治疗的适宜性。
点评：R‑GEAN 展示了在受限信息下捕捉药物停用信号的潜力，为临床决策支持提供了更细粒度的评估框架，但仍需提升对新增药物的预测能力。