electronic health records
PulseAugur coverage of electronic health records — every cluster mentioning electronic health records across labs, papers, and developer communities, ranked by signal.
- 2026-05-22 regulatory The EPA has promised an investigation into allegations that a Meta data center construction project has contaminated the drinking water supply in Morgan County, Georgia. 来源
- 2026-05-22 regulatory The EPA has promised to investigate allegations of water pollution linked to a Meta data center construction project in Morgan County, Georgia. 来源
10 天有情绪数据
-
AOC、桑德斯提议因污染暂停AI数据中心建设
亚历山德里娅·奥卡西奥-科尔特斯和伯尼·桑德斯正在提议立法，在环境法规确立之前暂停AI数据中心的建设。奥卡西奥-科尔特斯最近通过向EPA官员展示来自佐治亚州数据中心建设地的受污染水样，突显了人们的担忧。此举凸显了关于AI基础设施环境影响的争论日益激烈。
-
Meta数据中心与佐治亚州水污染有关，环保局介入调查
位于佐治亚州摩根县的一个Meta数据中心建设项目，因涉嫌导致当地饮用水供应浑浊而受到调查。众议员亚历山德里娅·奥卡西奥-科尔特斯在国会听证会上向环保局展示了浑水罐，促使环保局承诺立即展开调查。此次事件引发了对数据中心对水质和可用性环境影响的广泛担忧，尤其是在此类项目据称正在增加用水量的情况下。
-
新的医学世界模型可根据电子病历数据预测患者轨迹
研究人员开发了ChronoMedicalWorld模型（CMWM），这是一个新颖的框架，旨在利用纵向电子健康记录数据预测患者的长期健康轨迹。这个动作条件潜在世界模型结合了结构化干预和自由文本交流，以预测生理变化。在一项针对慢性肾脏疾病的研究中，与GPT-5.5基线相比，CMWM在预测估算肾小球滤过率方面表现出更高的准确性，部分原因在于对患者-健康教练对话的分析。
-
AI助力铝回收，应对价格飙升
在铝价飙升20%之际，铝回收初创公司正越来越多地利用AI来提高回收率。Sortera和Amp Robotics等公司采用AI驱动的系统，配备先进的传感器，以高精度识别和分拣铝废料。这项技术推动旨在加强铝的国内供应链，铝是电动汽车和可再生能源等行业的重要材料。
-
消费级硬件上的本地LLM在医疗保健EHR检索方面展现出潜力
一篇新论文评估了在消费级硬件上使用本地部署的开源LLM结合GraphRAG进行医疗保健EHR模式检索的可行性。该研究对Llama 3.1、Mistral、Qwen 2.5和Phi-4-mini等模型进行了基准测试，揭示了在知识图谱构建、查询延迟和答案质量方面显著的性能差异。结果表明，约7B参数的模型对于可靠的结构化输出是必要的，并且本地检索在延迟和事实基础方面优于全局摘要。
-
AI automates healthcare data to improve clinical decision support
Modern healthcare faces a data liquidity problem, where a significant portion of patient information remains trapped in unstructured formats like scanned documents and free-text notes. This necessitates manual data entr…
-
COTCAgent 改进了 LLM 对患者健康记录的分析
研究人员开发了 COTCAgent，这是一个旨在改进大型语言模型分析纵向电子健康记录方式的新框架。该代理通过结合统计推理和处理非均匀时间序列数据来解决当前模型的局限性，以更好地捕捉长程时间依赖性。COTCAgent 使用时间统计适配器进行数据处理，并使用思维链补全层进行疾病风险评估，在自建数据集和 HealthBench 数据集上取得了高精度。
-
MILM模型使用LLM处理不规则时间序列数据
研究人员开发了MILM，一个用于处理多模态不规则时间序列数据的大型语言模型。该模型将时间序列数据表示为XML三元组，并采用两阶段微调策略。第一阶段侧重于仅从采样模式中学习，第二阶段则整合观测值进行联合建模。MILM在电子健康记录数据集上表现出强大的性能，尤其是在预测院内死亡率方面，在缺失值场景下优于单阶段模型。
-
新的EHR模型使用检索来精确定位相关的患者病史
研究人员开发了EHR-RAGp，这是一种新的检索增强基础模型，旨在更有效地利用电子健康记录（EHR）中的历史患者数据。该模型采用原型引导检索系统，动态识别和整合最相关的既往临床信息，克服了使用固定窗口或统一聚合的现有方法的局限性。在各种临床预测任务的评估中，EHR-RAGp与当前最先进的EHR基础模型和基于Transformer的方法相比，表现出了卓越的性能。
-
Clin-JEPA框架增强了EHR数据预测和风险评估能力
研究人员开发了Clin-JEPA，一个新颖的联合嵌入预测预训练框架，专门用于电子健康记录（EHR）患者轨迹。该方法解决了将JEPA架构应用于医疗保健数据的挑战，旨在创建一个能够预测患者健康进展并执行各种风险预测任务的单一模型，而无需进行特定任务的微调。Clin-JEPA采用五阶段预训练课程，以确保其编码器和预测器组件的稳定协同训练，通过学习临床相关的潜在空间，在EHR数据上表现出改进的性能，并在下游风险预测任务上优于基线模型。
-
Whoop为其健身追踪器增加了临床医生视频通话和AI指导
Whoop将于今年夏天开始为其美国用户集成与执业医师的应用内视频咨询。这家健身追踪器公司还将为其平台添加电子健康记录（EHR）同步功能。此外，Whoop还将推出新的AI驱动功能，包括用于个性化指导上下文的“我的记忆”（My Memory）和用于定制训练和恢复建议的“主动签到”（Proactive Check-Ins）。
-
新方法实现跨领域可泛化的神经网络缩放定律
研究人员开发了一种方法，可以创建可泛化应用于不同领域的神经网络缩放定律。这些定律预测了模型性能与数据或计算等资源之间的关系。新方法识别了关键的不变量，使得在一个领域拟合的缩放定律可以迁移到其他领域，即使在数据分辨率降低的转换下也是如此。这在语言、视觉和语音领域得到了验证，能够准确预测电子健康记录和嘈杂时间序列数据等专业应用。
-
AI模型利用全国电子健康记录数据预测慢性鼻窦炎
研究人员开发了一种利用全国电子健康记录（EHR）数据预测慢性鼻窦炎（CRS）的新方法。该方法利用了诊断前两年的病史和一个混合特征选择流程，将110,000多个潜在代码提炼为100个可解释的特征。通过对六个亚组进行人口统计学分层模型训练，该框架实现了0.8461的AUC，展示了在风险分层方面的鉴别能力有所提高，并有可能在初级保健中实现更早的分诊。
-
医疗保健电子健康记录危机需要技术架构外交以实现系统互操作性
文章认为，医疗保健系统的技术架构对于实现互操作性和解决全球电子健康记录危机至关重要。它提出，不同的电子健康记录系统有效沟通的能力，堪比为建立和平所做的外交努力。最终，作者认为编写这些系统代码的工程师才是真正缔造医疗保健领域和平条约的人。
-
新方法检测患者管理中的条件异常
研究人员开发了条件异常检测方法，用于识别患者管理中的异常模式，特别是侧重于使用距离度量进行实例化的方法。这些方法旨在通过将当前患者病例与历史数据进行比较，来标记临床环境中可能存在的错误操作。这些技术在现实问题中的有效性得到了证明，包括识别肺炎患者异常入院决策以及检测与肝素诱导的血小板减少症相关的关键医嘱。
-
分析发现，防晒霜每两小时重新涂抹一次的规定缺乏科学证据
在阳光下每两小时重新涂抹一次防晒霜的常见指南并非基于强有力的科学证据。这一建议似乎源于FDA在2007年提出的一项规定，该规定引用了研究和公共卫生声明。然而，对所引用的证据的审查，包括Wright等人2001年的一项研究，揭示了其基础薄弱，样本量小且方法学可疑。FDA在2011年发布的最终规定维持了每两小时涂抹一次的指南，声称数据支持该指南，但基础研究仍然薄弱。
-
机器学习模型利用病历记录改进患者死亡率预测
研究人员开发了一种具有池化机制的新型深度神经网络（DNN）模型，以提高对患者出院后死亡率的预测能力。该模型利用通常存在数据质量挑战的非结构化病历记录来提高预测准确性。实验表明，整合这些记录中的信息通常可将AUC-ROC提高0.1，并且所提出的DNN模型在各种出院后时间段内比传统机器学习模型提高了2%至14%。
-
大型语言模型通过文本归因知识图谱增强医学概念表示
研究人员开发了MedCo框架，该框架利用大型语言模型来增强知识图谱中的医学概念表示。该方法通过推断缺失的关系并整合文本中的丰富语义信息，解决了现有医学本体的局限性。MedCo生成节点描述和边解释，将文本语义与图结构融合，创建统一的概念嵌入，从而改进下游临床预测任务。
-
新的LITT架构对齐临床事件时间以实现精准医疗
研究人员开发了一种名为LITT（Individual-Level Time Transformation，个体层面时间转换）的新架构，以更好地分析临床时间序列数据。该模型解决了当前AI（如Transformer）的局限性，这些模型常常忽略事件时间这一关键方面。LITT创建了一个虚拟的“相对时间线”来关注事件发生的时间，从而能够对患者轨迹进行更个性化的解读。其有效性在预测乳腺癌患者的心脏毒性方面得到了证明，其表现优于现有的生存分析方法。
-
联邦GNN通过隐私保护半监督学习提升GDM预测能力
研究人员开发了一种新颖的联邦半监督学习框架FedTGNN-SS，用于在保护医院间数据隐私的同时预测妊娠期糖尿病（GDM）。该方法通过使用原型引导伪标签和自适应图细化来解决标记数据有限和无法共享患者记录的挑战。在三个数据集上的实验表明，FedTGNN-SS的有效性，尤其是在标记稀缺性高的情况下，相比现有联邦方法取得了显著改进。