ehr

DT-Transformer是一个基础模型，在Mass General Brigham（MGB）健康系统的11家医院中，基于170万名患者的5710万条结构化EHR记录进行训练，在896个疾病类别的下一事件预测中展现出强大的区分能力。

本文研究了用于儿科睡眠分析的掩码自编码器多模态嵌入的潜在结构。结果表明，通过几何、拓扑和临床特征增强嵌入，可以改善睡眠相关事件的预测和校准。

COTCAgent是一个用于纵向电子健康记录的分层推理框架，采用概率链式思维完成方法，在自建数据集上达到90.47%的Top-1准确率，超越了现有的医疗代理。

本文提出了一种基于人口分层模型和混合特征选择流程的全国性电子健康记录慢性鼻窦炎预测模型，在All of Us研究计划的数据上实现了总体AUC为0.8461。

荷兰某学术医院9周试点显示，58%住院病例使用了LLM生成的出院草稿，87%临床医生报告文档时间减少，91%计划继续使用。