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
19 天有情绪数据
-
人工智能代理因电子健康记录数据集成缺陷而面临患者安全风险
自主代理通过 FHIR API 与电子健康记录 (EHR) 系统集成时，由于概率性数据序列化面临重大风险。一个常见的失败案例是，大型语言模型 (LLM) 在尝试解析患者用药说明时，会丢失“微克”等关键单位前缀，并将其序列化为“毫克”，从而导致千倍的过量服药风险。允许不完整或格式错误的数据被接纳而非拒绝的宽松摄入网关，加剧了这一问题，使得危险错误直接被写入患者病历。
-
由于歧义，LLM在临床注册表提取方面遇到困难
一项发表在arXiv上的新研究评估了大型语言模型（LLM）从临床注册表数据中提取信息的性能。研究人员发现，与人工提取者相比，LLM在处理未经处理的电子病历数据时准确性显著降低。随着问题所需歧义和临床推理的增加，LLM的准确性明显下降，在药物标记等简单任务上表现最好，在复杂事件时间问题上表现最差。
-
医疗 RAG 在 LLM 之外面临数据、检索和隐私障碍
为医疗领域构建检索增强生成（RAG）系统，在标准 LLM 和向量数据库实现之外，带来了独特的挑战。复杂性源于跨不同格式和系统的碎片化临床数据，这需要混合检索方法，将语义搜索与结构化查询相结合。确保数据的准确性和临床正确性至关重要，因为即使是先进的 LLM 也无法弥补糟糕或过时的上下文。开发人员必须考虑有意义的临床信息单元，而不是任意的文本块，并在检索过程的早期实施强大的授权协议，以维护患者隐私和合规性。
-
ATHENA框架自动化EHR模型架构搜索
研究人员开发了ATHENA，一个新颖的知识引导式代理神经架构搜索（NAS）框架，专门用于基于Transformer的电子健康记录（EHR）建模。该系统旨在自动化模型架构的优化，而模型架构通常需要为临床预测任务进行大量的手动调整。ATHENA包含一个权重共享的超网和一个跨医院的架构先验，利用过去成功的模型设计和组件效应来指导多代理LLM搜索。在六项临床预测任务和两个健康系统中，ATHENA在有限的搜索预算内，与四个NAS基线相比，表现出…
-
新的类BERT模型通过实验室数据和可解释性增强了EHR分析
研究人员开发了BERT-LER，一种新颖的类BERT模型，用于分析结构化电子健康记录（EHR）。该模型有效地将实验室检测结果编码为离散标记，同时通过基于百分位数的分箱保留分级信息。BERT-LER还整合了集成梯度用于标记级别归因，提供基于输入EHR序列的解释。在EHRShot套件和哮喘严重程度进展研究上进行基准测试时，BERT-LER在实验室相关任务上展示了具有竞争力的预测性能，通常超越现有模型，并生成了与已知临床风险因素一致的归因。
-
新型AI模型Mr.Dec利用每日电子病历和X光数据预测医院再入院
研究人员开发了Mr.Dec，这是一种新颖的多模态模型，旨在通过分析纵向患者数据来预测30天内的医院再入院。与以往压缩患者病史的方法不同，Mr.Dec以时间对齐的序列处理每日电子健康记录更新和胸部X光检查结果，模拟临床工作流程。该模型利用Transformer Decoder架构和疾病特异性监督对比学习来捕捉动态患者轨迹，并识别入院期间的关键日期以进行实时风险分层。在MIMIC-IV和MIMIC-CXR数据集上的评估表明，Mr.Dec通…
-
新的TriageSim框架从EHR数据生成合成的急诊分诊对话
研究人员开发了TriageSim，一个旨在为急诊分诊场景生成逼真对话模拟的框架。该系统利用结构化电子健康记录创建个性化对话，并附带合成的文本和音频。生成的语料库包含约800个合成对话，已对其语言、行为和声学保真度进行了评估，其中一部分也评估了医学准确性。该框架的实用性通过其在对话式分诊分类中的应用得到证明，在不同模式下显示出适度的同意度。
-
新AI框架减少医疗记录中的冗余，以改进强化学习
研究人员开发了一种新的医学多模态强化学习框架，解决了临床记录中的时间冗余问题。该框架在策略学习前显式移除随时间重复的文本，从而提高了状态表示的质量。在真实ICU数据上的评估表明，这种考虑冗余的方法显著优于仅使用结构化数据或原始、未经编辑的记录的传统方法，从而在临床决策支持方面取得了更好的性能。
-
开源AI MatchMiner-AI改进癌症试验匹配
研究人员开发了MatchMiner-AI，这是一个开源的人工智能管道，旨在改进癌症患者与临床试验的匹配。该AI工具处理非结构化的电子健康记录数据，以总结患者病史并识别合适的试验人群。评估表明，MatchMiner-AI在检索相关试验建议方面显著优于基线模型和基于规则的算法，其合成训练数据、模型权重和工具均已公开。
-
美国环保署提议放松清洁卡车标准，危及公众健康
美国环保署（EPA）提议放松2027年清洁卡车标准，该标准旨在减少有害柴油污染。这些拟议的变更将取消一项确保污染控制功能正常的机制，缩短排放保修期，并允许制造商支付罚款而不是遵守标准。尽管美国环保署声称这些标准不可行，但TRATON等制造商表示，只需进行少量发动机修改即可准备好遵守。最初的规定预计每年将避免数千例过早死亡和住院治疗。
-
新型自编码器从不完整的健康记录中学习
研究人员开发了AID-MAE（增强内在双掩码自编码器），一种旨在从不完整的电子健康记录（EHR）中学习的模型。与先前需要对缺失数据进行插补或使用占位符信号的方法不同，AID-MAE在预训练期间同时利用EHR中固有的缺失信息和一个增强掩码来隐藏观测值。这种方法使模型能够仅关注观测数据，从而在无需先插补缺失条目的情况下，为下游临床任务生成改进的表示。
-
AI框架审计美国环保署（EPA）制定规则时对公众意见的回应情况
开发了一个新的审计监管回应的框架，利用AI分析公众意见及其对特定监管义务的影响。该框架应用于提交给36项美国环保署（EPA）规则制定的70,000多条意见，显示虽然参与与温和的修订有关，但支持或反对的方向并不能清晰地预测结果。研究还发现，组织评论者倾向于关注编辑性的完善，而不是跨文件层面的实质性修改，这凸显了在影响监管能力方面存在的不平等不对称。
-
供水系统攻击暴露工业控制系统普遍存在的漏洞
自2026年7月下旬以来，攻击者已至少在12个州的市政供水系统发动攻击，通过篡改面向互联网的可编程逻辑控制器（PLC）来扰乱运营。FBI确认受影响的硬件是Rockwell Automation的MicroLogix 1100和1400系列PLC，这些PLC在未经适当身份验证的情况下暴露于互联网。这凸显了工业控制系统普遍存在的不安全问题，其中老旧设备、复杂的供应链以及小型公用事业公司有限的IT人员，都加剧了多年来供应商一直警告的漏洞。
-
新的电子健康记录框架改进了围手术期结局预测
研究人员开发了一种新的域结构集成框架，用于使用电子健康记录（EHR）数据预测围手术期结局。该框架将预测因子组织到患者、手术和麻醉域中，域特定的梯度提升模型通过逻辑回归元学习器整合它们的风险估计。在预测术后谵妄的测试中，该系统达到了 0.899 的 AUROC，优于单阶段模型，并显示出出色的校准和时间验证。
-
AI管道自动化心力衰竭电子健康记录特征工程
研究人员开发了Nimblemind多智能体系统（nMAS），这是一个新颖的管道，旨在自动化从电子健康记录（EHR）中提取心力衰竭研究特征的复杂过程。该系统解决了临床研究中的一个重大瓶颈，在该瓶颈中，特征工程可能占数据科学家时间的45%。nMAS成功生成并验证了大量的结构化和聚合特征，当将这些特征添加到现有模型中时，显著提高了射血分数降低型心力衰竭（HFrEF）和射血分数保留型心力衰竭（HFpEF）的表型分析准确性。一个独立的LLM评估…
-
美国水务系统面临气候威胁下的网络攻击脆弱性
网络攻击（可能与伊朗有关）正凸显美国分散式水务系统中存在的重大漏洞。这些系统面临着老旧基础设施和日益加剧的气候变化影响的双重威胁。尽管有呼吁制定全国最低标准，但许多公用事业公司，尤其是小型公司，在加强网络安全防御方面资源有限。
-
阿片类药物使用障碍预测的特征选择方法比较
研究人员比较了五种使用电子健康记录（EHR）预测阿片类药物使用障碍（OUD）的特征选择方法。研究评估了循环富集、受NTK启发的早期梯度敏感性、LightGBM-SHAP、弹性网络和LLM指导的语义选择。NTK敏感性提供了准确性和稳定性的最佳平衡，而LLM指导的选择提供了补充性的临床见解。
-
联邦生成模型在电子健康记录方面展现出潜力
研究人员开发了用于分词电子健康记录的联邦生成事件模型（GEMs），解决了不同医疗系统之间的数据孤岛和性能下降问题。在对三个独立医疗系统的评估中，这些联邦GEMs在临床预测任务上表现强劲，接近集中训练的有效性。研究发现，联邦学习在技术上是可行的，并且能保留大部分集中训练的性能，尤其是在本地训练数据有限的情况下，能带来显著的好处。
-
新的xMICD方法增强了患者诊断表示的可解释性
研究人员开发了xMICD，一种用于从国际疾病分类（ICD）代码创建可解释的低维患者诊断表示的新方法。该方法通过将诊断分组与预训练ICD嵌入空间中的相似性相结合，平衡了预测性能和临床可解释性。实验表明，xMICD在临床预测任务上达到了与ICD2Vec等现有基于嵌入的方法相当的预测准确性，同时保持了与可识别诊断组相关的特征可解释性。
-
LLM辅助方法协调电子健康记录和临床笔记中的药物数据
研究人员开发了一种新方法，用于协调临床笔记和结构化电子健康记录（EHR）中发现的药物信息之间的差异。他们的方法采用大型语言模型（LLM）进行参考构建，并结合人工审查和确定性规范化，以比较两个来源的语义和时间数据。研究发现，虽然来自笔记和结构化药物历史之间的精确匹配很少见，但当考虑更广泛的定义和时间范围时，语义重叠显著增加，这凸显了准确患者药物档案采用高级规范化技术的重要性。