标签
麻省总医院布莱根医疗系统（Mass General Brigham）的研究人员发布了 Clinical System One（CS1-4B），这是一个拥有 40 亿参数的决策模型，能够对临床记录进行快速的类型化判断。在 14 项任务中的 13 项上，它超越了参数规模最高达 270 亿的开源决策模型，且仅需在单台桌面级 GPU 上运行。配合通用 LLM 智能体使用时，该模型可支持纵向病历审查和临床试验筛选，同时将 token 消耗降低至原来的 1/690。
Jason Wei 透露 Meta 健康工作团队使用 Muse Wonder 编码脚手架访问 500 万份电子健康记录数据库，探索医学专家能撰写出什么样的研究论文。
Healthleap 完成了种子轮和 A 轮合计 3800 万美元的融资，用于扩展其 AI 平台。该平台可阅读医院患者病历，并标记出存在营养不良、谵妄等未确诊疾病风险的患者。这家初创公司的产品目前已部署于 50 多家医院，包括 Penn Medicine 和 Cedars-Sinai，过去一年营收增长了 10 倍。
研究评估了大语言模型在患者证据随时间演变时更新临床判断的可靠性，发现模型存在对恶化证据反应过度、受先验判断因果影响等失败模式，并提出EVLU方法来识别更可靠但覆盖更少的判断修订，确立了纵向信念更新作为LLM可靠性的独立评估维度。
EHR2Trace 是一个可配置的系统，能够将异构的电子病历转换为可追溯至数据源、可审计的患者事件，并导出至 OMOP 和 MEDS 格式，同时将事件发生时间与信息可用时间分离。在三个临床数据集上，该系统共转换了 8.464 亿条事件，并检测出全部 28 个注入的故障；研究还表明，基于信息可用性的过滤训练能提升留出集 AUROC（0.829 对比 0.642），并揭示了篡改回填病史所导致的虚高性能（AUROC 0.965）。
论文提出了 EHRFlow，一个多边际流匹配框架，该框架以编码后的患者历史为条件，从不规则的电子健康记录中学习连续时间的患者轨迹。在包含超过一百万名患者的多个数据集上进行临床编码预测时，其表现优于自回归基线和不考虑历史的基线方法。
本文介绍了双曲临床本体嵌入（HCOE），这是一种将生物医学语言模型嵌入映射到双曲空间的方法，能更好地捕捉医学代码的层级结构，并在临床任务上优于现有方法。
本文提出了MedNotes，一个多智能体管道，用于从纵向结构化EHR数据中生成有来源依据的合成临床笔记，实现了高准确性并改善了下游临床建模任务。
本文介绍了M2G-LLM，这是一个通过图神经网络使用多模态图推理来增强大语言模型的框架，旨在利用电子健康记录改进临床预测任务。
本研究评估通过整合患者报告的调查数据与电子健康记录来增强阿片类药物使用障碍预测的效果，展示了在多个机器学习模型中性能的提升。
本文提出了一种可扩展的临床数据基础设施，并比较了深度学习（TG-CNN）与传统机器学习模型（LASSO和Random Forests）在多重慢性病老年患者住院风险预测中的应用，结论是由于LASSO具有更优的校准性能，更适合临床部署。
本文提出结构化证据路由，一种路由器-预测器-审阅者工作流程，用于从多模态纵向电子健康记录进行事件风险预测。该方法在性能上与现有方法具有竞争力，并提供可解释的患者特定证据轨迹。
本文提出了一种用于医疗领域复杂多表分析的Relational Hypergraph Transformer (RHT)架构，通过统一方法和稀疏注意力机制处理复杂性的五个维度。该研究包括形式化分析、开源实现在合成电子健康记录上的实证评估。
ATHENA是一个知识引导的代理神经架构搜索框架，通过跨医院重用架构知识来自动化Transformer基础的电子健康记录建模，以减少人工调优。
本研究证明，使用机构特定提示的大型语言模型能够恢复现有去标识化系统遗漏的受保护健康信息，从而增强电子健康记录中的数据隐私合规性。
论文提出了LUNG-KGMM，一个知识引导的多模态框架，通过整合EHR、放射学数据和临床指南来预测肺癌发生率，在MIMIC数据集上展示了优越的性能，并进行了现实世界验证。
这篇《Wired》文章探讨了人工智能如何通过分析电子健康记录和实验室报告，更早地发现脂肪肝，从而有望预防并逆转肝脏损伤。
本文介绍了MiGHT-EHR，一种针对异质时序EHR数据的多任务图变换器，联合建模临床实体、时间轨迹和任务依赖。在MIMIC-III和MIMIC-IV上，它在药物推荐、住院时长、死亡率和再入院预测方面均优于现有最先进方法。
本文提出了Patients-like-me（PLM），一个统一的LM-GNN框架，将局部患者语义与全局队列结构相结合，用于可解释的临床预测。它引入了一种变分期望最大化算法，并在MIMIC-III和MIMIC-IV上展示了最先进的结果，同时提供参考患者解释。
这篇arXiv论文评估了在来自三个医疗系统的ICU EHR数据上，对令牌化生成式事件模型（GEMs）进行联邦训练的效果，结果表明联邦学习能够保留集中式训练的大部分性能，并且与传统监督模型相比，提高了跨站点的可迁移性。