多模式电子健康记录（EHR）数据的整合已显着提高了临床预测能力。利用临床注释和多元时间序列EHR，现有模型通常缺乏与临床任务相关的医学环境，从而促使外部知识纳入了外部知识，尤其是从知识图（KG）中。以前的KG知识的方法主要集中于结构化知识提取，忽略非结构化数据模式和语义高维数学知识。在响应中，我们提出了领域，这是一种检索增强生成（RAG）驱动的框架，以增强解决这些局限性的多模式EHR代表。首先，我们应用大型语言模型（LLM）来编码长上下文临床注释和GRU模型以启用代码时间序列EHR数据。其次，我们提示LLM在具有相应的医学知识的专业标记的外部知识图（PrimeKG）中提取与任务相关的医疗实体和匹配实体。通过匹配并与临床标准保持一致，我们的框架消除了幻觉并确保一致性。最后，我们提出了一个自适应多模式融合网络，将提取的知识与多模式EHR数据集成在一起。我们关于模仿-III死亡率和再入院任务的广泛实验展示了我们领域框架的优越性能，而不是基准，强调了每个模块的有效性。领域框架有助于完善多模式EHR数据在卫生保健中的使用，并弥合差距，并具有细微的医学环境，对于知情的临床预测至关重要。