electronic health records
PulseAugur coverage of electronic health records — every cluster mentioning electronic health records across labs, papers, and developer communities, ranked by signal.
- 2026-05-27 regulatory The EPA proposed new rules to expedite data center construction by modifying air permitting processes. 来源
- 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
14 天有情绪数据
-
新车价格飙升至51,000美元以上，没有20,000美元以下的车型
新车价格大幅上涨，平均厂商建议零售价（MSRP）约为51,600美元。这种上涨归因于通货膨胀、转向更昂贵的SUV和卡车，以及即使是入门级车型也包含先进功能。因此，美国市场上已不再有低于20,000美元的新车，而价格在25,000美元左右的车型现在占新车销售额的不到5%。尽管面临这些挑战，仍有几款车型提供了经济实惠和燃油效率的结合，有22款价格低于30,000美元且每加仑油耗达到30英里或以上的新车和SUV可供选择。
-
新的X-FEMR方法增强了电子健康记录AI模型的可解释性
研究人员开发了X-FEMR，一种用于电子健康记录基础模型（FEMR）的新型令牌级可解释性方法。这些模型虽然在临床预测任务中很有效，但通常充当黑箱，引起了对信任和偏见的担忧。X-FEMR利用基于Transformer的代理模型来近似FEMR的行为，识别有影响力的患者数据令牌，并提供对其预测贡献的见解。一项新的临床对齐指标验证了这些解释与临床公认的特征相对应，为更具可解释性和更值得信赖的临床AI提供了途径。
-
新 ClinOCR-Bench 数据集发布，用于临床 OCR 评估
研究人员推出了 ClinOCR-Bench，这是一个新的、公开可用的数据集，旨在评估专门用于临床扫描文档的光学字符识别 (OCR) 模型。该数据集解决了医学领域缺乏全面基准的问题，而该领域的基准通常依赖于私有数据，并且未能考虑到常见的扫描伪影。ClinOCR-Bench 包含 384 张图像，分布在六个子集中，涵盖了各种文档类型和常见伪影，使其适用于评估传统的 OCR 工具和先进的视觉语言模型。
-
研究探讨 Transformer 编码电子健康记录中的数值数据
一篇新的研究论文探讨了 Transformer 模型如何最好地编码电子健康记录 (EHR) 中的数值。该研究比较了离散、连续和混合编码策略，发现虽然某些方法在精度敏感的算术方面表现出色，但基于标记的混合方法为 EHR 数据提供了更强大、更实用的解决方案。研究表明，对于临床应用，“足够好”的可靠数值计算通常比精确算术更受重视，这使得混合方法成为合适的默认选项。
-
基于 Mamba 的模型改进了从电子健康记录数据进行的患者子类型划分
研究人员开发了一种新的自监督模型，该模型利用基于 Mamba 的架构来改进从纵向电子健康记录 (EHR) 中进行的患者子类型划分。这种方法解决了 EHR 数据复杂性和不规则性带来的挑战。该模型学习有效的表示，从而增强了患者子类型划分和分类能力，在广泛的实验中表现优于现有的基线模型。
-
Chemours因排放“永久化学品”将支付4.5亿美元
化学品制造商Chemours已同意支付4.5亿美元的罚款和救助计划，以解决涉及非法排放“永久化学品”（PFAS）的案件。该和解协议是联邦政府首次针对PFAS制造商达成此类协议，并与特朗普政府达成。Chemours将支付2250万美元的民事罚款，并在15年内投资4.275亿美元用于污染控制、清洁饮用水计划以及减少西弗吉尼亚州、北卡罗来纳州和新泽西州工厂的未来排放。
-
新的混合Mamba-Transformer模型增强了电子健康记录表示
研究人员开发了HyMaTE，一种结合了Mamba（状态空间模型）和Transformer架构的新型混合模型，以改进电子健康记录（EHR）的表示。该方法旨在克服传统Transformer的局限性，如二次计算复杂性和有限的上下文长度，同时利用SSM在处理长序列方面的优势。HyMaTE在为医疗保健中的预测任务捕获更丰富、更细微的EHR数据表示方面已显示出有效性，提供了一种可扩展且可解释的解决方案。
-
LLM-MINE框架从临床笔记中提取阿尔茨海默病表型
研究人员开发了LLM-MINE，一个利用大语言模型从临床笔记中提取阿尔茨海默病及相关痴呆症（ADRD）表型的框架。该方法旨在通过分析电子健康记录中的非结构化文本来改善早期检测和疾病分期。与传统的生物医学命名实体识别（NER）和基于字典的方法相比，LLM-MINE框架，特别是使用结合了表型列表的少样本提示时，在识别具有统计学意义的表型差异和无监督疾病分期方面表现出更优越的性能。
-
新型PORTER模型实现可移植、语言驱动的电子健康记录分析
研究人员开发了PORTER，一种新颖的、用于电子健康记录（EHR）的语言驱动基础模型，它超越了固定词汇的限制。与难以处理未见概念或数值的传统模型不同，PORTER通过事件描述来表示事件，并通过专用通道整合数值数据。这种方法无需重新训练即可在不同机构和部署管道之间实现更好的可迁移性。在评估中，PORTER在74个预测任务上的表现与现有模型相当，并且在迁移到MIMIC数据集时，其表现显著优于固定词汇模型，展示了其进行词汇无关的EHR分析的潜力。
-
AssemblyAI 重点介绍最佳 Dragon Medical 临床文档替代方案
AssemblyAI 发布了一份指南，比较了 Nuance 的 Dragon Medical 软件在临床文档方面的六种顶级替代方案。文章指出，许多医疗保健提供商正在从 Dragon Medical 转向，原因是其许可成本高、仅限 Windows 平台、集成复杂以及扩展性挑战。AssemblyAI 自家的 API 优先方法，具有针对临床术语优化的“Medical Mode”，被认为是领先的替代方案，实体遗漏率低。
-
AssemblyAI 教程展示如何构建 AI 记录员以用于远程医疗
AssemblyAI 发布了一款教程，演示如何使用 Python 构建一款用于远程医疗视频通话的环境式 AI 记录员。该记录员可以自动转录对话、区分说话人并生成结构化的临床笔记，例如 SOAP 笔记。该系统利用 AssemblyAI 的 Universal-3 Pro 模型（针对医疗领域）并集成 OpenAI 的 API 来生成笔记，同时考虑了 HIPAA 合规性以处理敏感健康信息。
-
多模态大语言模型在肺栓塞风险评估方面展现出潜力
研究人员开发了一个用于评估多模态大语言模型（MLLMs）在临床问答中的基准，专门针对肺栓塞（PE）风险评估。该研究使用了包含超过23,000项CTPA研究的INSPECT数据集，并制定了八项诊断和预后任务。结果表明，像Gemma4 E4B和Gemma4 E2B这样的模型在结合电子健康记录（EHR）数据和CTPA图像时表现更好，尤其是在PE诊断方面，优于再入院预测等预后任务。这表明紧凑型多模态模型在早期PE风险检测和解释方面具有强大潜力。
-
新数据集Insulin4RL支持不规则临床数据的离线强化学习
研究人员推出Insulin4RL，一个专为医疗保健领域离线强化学习设计的新数据集。该数据集源自MIMIC-IV，包含来自12,209名需要胰岛素输注滴定调整的重症监护室患者的超过375,000个决策。与使用固定时间间隔的先前数据集不同，Insulin4RL具有自然不规则的输入和动作，旨在提高回顾性模型评估的泛化能力。研究人员为未来的研究提供了基线性能指标和标准化的评估协议。
-
MedRLM框架通过递归多模态智能增强临床AI · 跟踪2个来源
研究人员推出了一种新颖的递归多模态健康智能框架MedRLM，旨在增强临床决策支持。与依赖单步检索的现有模型不同，MedRLM将患者病例视为可以递归检查和综合的外部环境。该方法协调文本、电子病历、医学影像和传感器信号等各种数据类型的专用代理，以提供更具可审计性、多模态性和工作流程感知能力的支��。
-
新的Clin-JEPA框架支持电子健康记录数据的联合嵌入预测预训练
研究人员开发了Clin-JEPA，一个新颖的多阶段协同训练框架，用于电子健康记录（EHR）的联合嵌入预测预训练。该框架解决了创建单一AI模型以同时预测患者轨迹和执行各种下游风险预测任务的挑战，而无需进行特定任务的微调。Clin-JEPA采用了一个为期五阶段的预训练课程，以稳定地协同训练一个Qwen3-8B编码器和一个潜在轨迹预测器，通过独特地融合潜在的滚动漂移并学习临床上可区分的潜在几何形状，在EHR数据上展示了改进的性能。
-
EPA 在各项业务中试点人工智能，保留专家处理最高级别任务
美国环境保护署（EPA）正在其各项业务中实施人工智能，旨在利用该技术处理广泛的任务。然而，该机构承认，在最复杂和最关键的人工智能应用中，人类专业知识仍然至关重要。这种方法表明了一种混合策略，即人工智能辅助数据处理和分析，但最高级别的最终决策和监督仍将依赖人类专家。
-
AI模型优化2型糖尿病随访间隔，降低成本
研究人员开发了一种情境马尔可夫决策过程（CMDP）模型，用于优化2型糖尿病（T2D）患者的随访间隔，超越了美国糖尿病协会的固定指南。通过分析超过22,000名患者的电子健康记录，该模型识别出两个不同的风险亚群。CMDP推导出的策略建议采用自适应随访计划，建议间隔时间从1个月（针对未测量实验室检查）到6-12个月（针对持续的血糖控制），高风险患者的随访间隔更短。与固定间隔基准相比，这种方法显著降低了预期的累积成本。
-
新基准显示大型语言模型在交互式医生辅助方面存在困难
研究人员开发了 PhysAssistBench，这是一个旨在评估大型语言模型 (LLM) 在协助医生方面的能力的新基准。该基准侧重于涉及医生、患者和电子健康记录 (EHR) 的交互式场景，要求 LLM 协调临床知识、沟通和系统交互。PhysAssistBench 使用 MIMIC-IV 的真实案例构建，包含一个由 1,296 个医生验证的轮次组成的数据集。初步实验表明，当前 LLM 在此复杂的临床辅助角色中尚不可靠，凸显了更好地整合这…
-
AI重写放射学报告引发“倾倒悖论”
一篇新近发表在arXiv上的研究论文探讨了AI驱动的标准化对放射学报告的影响，揭示了一种被称为“倾倒悖论”的现象。研究人员发现，尽管旨在临床文档和训练数据准备的AI重写任务会侵蚀临床不确定性并降低与图像的跨模态对齐，但这种退化程度因任务而异。例如，电子健康记录（EHR）摘要会造成大量信息丢失，但图像-文本对齐度下降极小；而旨在生成更清晰训练数据的任务，却可能悖论式地更严重地降低图像-文本对齐度。研究表明，AI重写任务本身，而非临床内容…
-
新的CAP方法利用临床数据增强PPG表示学习
研究人员开发了一种名为临床锚定预训练（CAP）的新方法，以改进光电容积脉搏波（PPG）信号通用表示的学习。现有方法常常忽略患者级别的健康背景，限制了其泛化能力。CAP通过构建大规模配对的PPG-EHR多模态数据集，并利用跨模态对比锚定将PPG表示与临床语义关联起来，从而解决了这一问题。这种方法增强了鲁棒性和可迁移性，在下游任务中表现出显著的改进，尤其是在呼吸频率预测方面。