Ehrs
PulseAugur coverage of Ehrs — every cluster mentioning Ehrs across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
VISTA Architect AI系统将LLM与EHR集成以合成医疗数据
研究人员开发了VISTA Architect，一个旨在将大型语言模型与电子健康记录（EHR）集成的新型AI系统。该系统将临床数据转化为知识图谱，创建患者事件的综合时间线。在斯坦福大学医学系演示的VISTA Architect在重建肿瘤委员会的患者病史方面达到了96.4%的准确率，优于现有的检索增强生成方法。
-
新的MedTPE方法以无性能损失的方式压缩电子病历数据以供大型语言模型使用
研究人员开发了一种名为Medical Token-Pair Encoding (MedTPE)的新方法，用于高效压缩大型语言模型中长序列的电子健康记录。该技术将频繁出现的医疗Token对合并为单个复合Token，实现了无损压缩，且不增加计算开销或牺牲预测准确性。MedTPE在各种临床预测任务和大型语言模型上显著减少了输入Token长度和推理延迟，同时还显示出对其他领域和语言的鲁棒性和通用性。
-
AI模型利用临床笔记和时间数据预测患者风险
研究人员开发了两种新方法 HiTGNN 和 ReVeAL，以利用临床语言处理改进慢性病的早期风险预测。HiTGNN 是一种分层时间图神经网络，通过整合时间事件结构和医学知识来有效模拟患者轨迹。ReVeAL 是一个轻量级框架，将大型语言模型的推理能力提炼到更小的验证器模型中。这些方法应用于 2 型糖尿病筛查，显示出高预测准确性，特别是对近期风险，同时保持隐私和提高敏感性。
-
LLM 和归一化流用于处理不完整的医疗保健数据以估计治疗效果
研究人员开发了一种新颖的两阶段流程 CausalFlow-T，旨在从不完整的纵向电子健康记录中改进治疗效果估计。第一阶段利用具有 LSTM 编码的 DAG 约束归一化流进行精确的反事实推断，第二阶段则采用 LLM 驱动的插补器来处理缺失数据。与统计基线相比，这种组合方法在各种缺失水平下均能更优地保留平均治疗效果的恢复。
-
研究：更短的数据窗口可优化AI在医院再入院预测中的应用
一篇新发表在arXiv上的研究探讨了预测医院再入院的最佳历史数据窗口。研究人员发现，对于非结构化的临床记录，手术前三到六个月的较短窗口能产生最佳的预测性能。相比之下，结构化数据在更长的时间窗口下表现出性能提升，并在十二个月后趋于平稳。这些发现表明，仅仅使用更多的历史数据并不总能带来更好的机器学习预测，为优化再入院预测模型提供了指导。
-
稀疏自编码器分解临床序列模型表征：特征复杂度、任务专业化与死亡率预测
研究人员开发了几种利用电子健康记录（EHR）上的机器学习来改进临床预测的新方法。其中一种方法“Risk Horizons”使用一种具有几何感知的框架和双曲嵌入来构建患者特定的候选空间，以预测未来的临床事件。另一种方法将临床诊断视为一个自回归序列建模任务，采用大型语言模型的因果解码器来处理缺失的模态并提高可解释性。此外，一个名为FlatASCEND的新模型专注于具有连续时间预测的自回归临床序列生成，并测试药理学关联，而另一项研究则使用稀…