ehr

本文系统比较了在电子健康记录数据中Transformer的离散、连续和混合值编码策略，发现基于分箱的混合令牌方法具有稳健的性能，并推荐作为实用的默认选择。

PORTER是一种基于语言的结构化电子病历基础模型，通过文本描述和数值表示临床事件，能够实现跨机构的词汇无关迁移，无需重新训练。在儿科预测任务中，PORTER与固定词汇模型性能相当，并在迁移至未见事件描述时恢复了97.1%的AUROC。

介绍了 PhysAssistBench，这是一个用于评估 LLM 在交互式医生-患者-EHR 辅助中性能的基准。实验表明，当前模型在此场景下不可靠，凸显了协调能力的需求。

介绍了AIPatient Arena，一个基于电子健康记录的评估框架，用于评估大语言模型在临床能力的多个维度。研究揭示了在问诊和伦理方面的优势，但在处理模糊性和诊断准确性方面的弱点。

本文提出了一种机器学习合并症指数（MLCI），该方法利用诊断代码和非线性学习来改善多种临床结果的风险调整，优于传统的以死亡率为中心的指数。

本文研究了在EHR基础模型中显式编码ICD-10-CM层级结构的方法，采用层级令牌增强和基于图结构的代码表示。在MIMIC-IV和eICU上的实验表明，与扁平代码表示相比，该方法在域内和跨数据集预测任务中均有改进。

本文介绍了一个轻量级、端到端的基准测试框架，用于可重复的合成电子健康记录（EHR）生成，将多个基线模型（MedGAN、CorGAN、PromptEHR、HALO）和一个GPT-2基线统一到单个流水线中，并配备严格的隐私-效用评估套件。

本文提出Traj-Evolve，一个自我进化的多智能体系统，它利用经验池和多智能体强化学习，从纵向电子健康记录中对患者轨迹进行建模，用于肺癌早期检测，性能优于强基线模型。

ChatHealthAI 是一个多模态推理框架，它将结构化 EHR 表示与冻结的 LLM 对齐，从而在保持预测性能的同时实现基于临床的推理。

本文介绍了EHR-ReasonCon，这是一个用于电子健康记录中临床笔记与结构化表格之间一致性验证的推理密集型基准，以及EHR-Inspector，一个基于大语言模型的框架，在检测差异方面实现了最先进的性能。

介绍TreeText-CTS，一种将不规则EHR轨迹转换为紧凑、可溯源树路径证据单元的方法，无需患者级摘要。在三个临床基准测试中，它在基于文本的EHR时间序列接口中实现了最先进的AUROC和AUPRC。

GraphDiffMed是一个药物推荐框架，它使用双尺度差异化注意力和药理学图先验来提高在EHR数据上的推荐质量和安全性。在MIMIC-III上的实验显示出相对于基线的持续改进。

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。