การคาดการณ์ชุดยาจากบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) ถือเป็นปัญหาการทำนายแบบมีโครงสร้างที่มีคำศัพท์ตายตัว อย่างไรก็ตาม ระบบ RAG ทางคลินิกในปัจจุบันมักจะจัดการปัญหานี้เหมือนกับการอนุมานแบบ case-based reasoning โดยดึงประวัติผู้ป่วยที่คล้ายกันและให้ Large Language Model (LLM) ทำการอนุมานชุดยา ซึ่งกระบวนการนี้ทำให้วัตถุประสงค์ของการดึงข้อมูลไม่ตรงกับเป้าหมายหลัก.
งานวิจัยนี้จึงเสนอ 'tabular population prior' ซึ่งเป็นวัตถุดิบในการดึงข้อมูลที่ตรงกับงานมากขึ้น โดยเป็นตารางร่วมกันของเงื่อนไขโรคและยาที่ประเมินจากข้อมูลการฝึก การทดลองโดยแทนที่ patient retriever ใน pipeline ของ PACERAG ด้วยวิธีนี้ พบว่ามีประสิทธิภาพเพิ่มขึ้นอย่างชัดเจน โดยค่า F1 score เพิ่มขึ้นจาก 0.303 เป็น 0.338 (เพิ่มขึ้น 11.5% เมื่อเทียบกับค่าเดิม) และค่า Jaccard เพิ่มขึ้นจาก 0.218 เป็น 0.237 บนข้อมูล MIMIC IV จำนวน 1,004 ราย โดยไม่จำเป็นต้องมีการเรียกใช้ LLM เพิ่มเติมหรือสร้างดัชนีผู้ป่วยในช่วงเวลาอนุมาน นอกจากนี้ baseline ที่ไม่ใช้ LLM ยังสามารถทำ F1 ได้ 0.248 ยืนยันว่า prior นี้สามารถทำนายได้ดีก่อนการผนวกรวมกับ LLM โดยรวมแล้ว สถิติประชากรโดยรวมสามารถเป็นแหล่งข้อมูลที่มีประสิทธิภาพและตรวจสอบได้ดีกว่าการใช้ nearest neighbors ระดับผู้ป่วยสำหรับการคาดการณ์ชุดยาจาก EHR.