Fast Healthcare Interoperability Resources
PulseAugur coverage of Fast Healthcare Interoperability Resources — every cluster mentioning Fast Healthcare Interoperability Resources across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
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。
-
AWS 使用 Amazon Bedrock 增强医疗保健 API 安全性
AWS 推出了一种使用 Amazon Bedrock 增强医疗保健 API 安全性的新方法。该方法利用基础模型来监控 API 访问模式、自动分类数据敏感性并生成自然语言合规性报告。该系统将安全监控与主 API 请求路径分离，以避免延迟问题，从而实现可检测到静态规则遗漏的异常行为分析。该解决方案旨在减少手动文档和规则维护，从而提高合规性和对不断变化的临床工作流程的适应性。
-
信息学爱好者加入Red Hat投身FHIR医疗保健计划
一位自称信息学爱好者的作者讨论了其加入Red Hat的决定，并强调了该公司在快速医疗保健互操作性资源（FHIR）方面的工作。作者对通过Red Hat的计划为医疗保健技术领域做出贡献表示兴奋。
-
AI工具辅助FHIR学习但提供重复性建议
某人正在使用AI工具学习快速医疗互操作性资源（FHIR），发现虽然AI可以提供建议，但其建议可能重复或不正确。用户指出，在没有先验编码知识的情况下，仅依靠AI进行培训可能不是最有效的方法，尽管在没有人讲师的情况下它可能具有成本效益。
-
新框架提出医疗IT中的可计算临床意图
一篇新研究论文提出了“可操作临床记录”（Actionable Clinical Record, ACR）作为一种框架，用于在医疗IT系统中实现临床意图的可计算性。ACR旨在区分处方、观察和意图的患者护理流程。这种方法是对现有标准（如FHIR工作流资源）的补充，并可能实现对临床意图的更好跟踪和分析。一项可行性研究证明了其在特定问题上的可处理性。
-
医疗保健中的边缘AI集成需要强大的治理和混合云边缘策略
边缘AI正迅速成为医疗保健领域关键的基础设施层，从简单的数据分析发展到积极协调临床工作流程。这种转变需要强大的治理框架，侧重于问责制、审计能力和可控性，确保AI行为透明且可管理。虽然云计算在模型开发和人口统计分析等任务中仍然至关重要，但边缘设备对于时间敏感和隐私关键的处理至关重要，尤其是在连接性不稳定的情况下。医疗保健中AI的成功集成依赖于混合方法，仔细决定每个工作负载应在哪里运行，并将早期部署锚定在具体、可衡量的结果上，而不是广泛的技术雄心。
-
开发者通过统一库简化了跨提供商的 LLM 工具调用
一位开发者在医疗保健应用程序中集成了不同 LLM 提供商进行工具调用循环时遇到了挑战。最初，该循环与 OpenAI 的 SDK 配合使用时运行流畅，但合规要求需要来自另一提供商 Anthropic 的第二个模型来交叉检查结果。开发者发现 Anthropic 的工具使用 API 与 OpenAI 的结构不同，需要重写该循环。然而，`@aviasole/shapecraft` 库通过提供统一的接口简化了这一过程，允许将相同的工具调用逻辑应…
-
LLM 在医疗保健标准上未能承认无知，自信地产生幻觉
一位医疗 IT 专业人员测试了四个大型语言模型（Claude Opus 4.8、Claude Haiku 4.5、Kimi K3 和 qwen3.5-35b）在回答有关 HL7、DICOM 和 FHIR 等医疗保健互操作性标准的问题方面的能力。测试显示，没有一个模型回避回答，并且很大一部分回答是自信错误的。特别是，版本敏感的问题和错误的假设被证明是具有挑战性的，模型会编造答案而不是承认无知。
-
新的基准框架评估医疗保健领域面向患者的AI代理
研究人员开发了PatientAgentBench，一个用于评估旨在与医疗保健环境中患者互动的人工智能代理的新框架。该基准使用LLM-as-a-Jury系统，在六个维度上评估代理，包括分诊质量和临床安全性，该系统与持证临床医生高度一致。初步测试显示，十种不同AI模型的能力存在显著差距，这凸显了随着这些系统变得更加自主，需要超越静态基准的更强大的评估方法。同时，对医学领域代理式AI的审查强调了临床转化的挑战，呼吁更清晰的定义、可重复的评估…
-
新研究详细介绍了隔离式大模型代理中的信息遗漏问题
一篇题为《事实缺失之处》的新研究论文，提出了一种用于隔离式大模型代理管道中信息遗漏的分类法和归因方法。研究发现，高达73.4%的信息遗漏源于确定性中间件层，而非模型本身。研究还发现，增加上下文长度与更高的遗漏率密切相关。
-
美国公共卫生机构通过 PULSE 项目测试 OpenAI 和 Anthropic 的 AI 工具
美国的公共卫生机构正在启动一项名为 PULSE 的新计划，以测试生成式 AI 工具。该计划是 Coalition for Health AI (CHAI)、OpenAI、Anthropic 和 Accenture 之间的一项合作，将在十个司法管辖区进行试验。目标是为公共卫生机构制定实施指南，并为疾病监测和健康传播等领域的 AI 使用建立国家标准。OpenAI 和 Anthropic 将为该计划提供企业许可，而 Accenture 将负…
-
详细介绍用于医疗理赔拒付管理的 AI 管道
本文详细介绍了为医疗理赔构建 AI 驱动的拒付管理管道的工程流程。它概述了三个关键的机器学习系统：预提交评分服务、汇款分类器和用于申诉的文档组装管道。作者强调，这些系统的成功取决于强大的数据基础，包括历史深度、拒付的一致性标记、来自各种代码的丰富特征以及可访问的数据管道。预提交评分服务设计为实时服务，旨在通过在提交前将高风险理赔进行审查来防止 20-30% 的拒付。
-
开发人员利用 LLM 和预构建模式生成 FHIR 数据
一位开发人员为医院客户在 TypeScript 中手动创建符合 FHIR R4 标准的 Patient 资源模式时遇到了困难，发现官方规范复杂且难以正确实现。经过两天无果的努力，并担心数据准确性后，该开发人员发现 shapecraft 库提供了预构建的 FHIR 模式。通过将 shapecraft 与 GPT-4o-mini 等 LLM 集成，开发人员能够快速生成经过验证的 FHIR 资源，显著缩短了开发时间并提高了数据完整性。
-
新的代理架构改进了纵向个人健康管理
研究人员开发了HealthClaw，一个开源的代理架构，用于纵向个人健康管理。与将每个请求视为孤立的现有系统不同，HealthClaw会根据用户日常习惯、偏好、测量值和风险的变化来更新其支持。它将共享的医学知识和安全规则与私有的纵向记忆分开，从而实现持续改进。评估显示，与传统的提示方法相比，答案准确性显著提高，上下文暴露减少，同时还展示了改进的隐私感知质量。
-
新基准揭示临床人工智能代理训练中的局限性
研究人员在现有的临床人工智能代理基准 MedAgentBench v1 和 v2 中发现了显著的局限性。他们发现存在很高的静默完成率，这会激励强化学习（RL）代理不采取行动。为解决此问题，他们开发了 MedAgentBench-v3 (MAB-v3)，并降低了静默完成率的上限。在 MAB-v3 上训练 Qwen3_8B 模型揭示了进一步的挑战，包括模型在某些任务类型上遇到困难的能力上限，以及需要精确临床代码的格式知识障碍。
-
AI事先授权软件：功能、成本和技术栈指南
本文概述了构建AI驱动的事先授权软件的关键功能、技术栈和开发注意事项。它强调了与现有医疗保健系统集成以及遵守可扩展解决方案的最佳实践在HealthTech领域的重要性。
-
AWS 推出自动化医疗理赔处理的 AI 流程
Amazon Web Services (AWS) 推出了一种使用 Amazon Bedrock 和 AWS HealthLake 服务自动化医疗理赔处理的新方法。该系统利用 Amazon Bedrock 数据自动化从理赔表中智能提取文档，并利用 Amazon Bedrock AgentCore 来托管 AI 代理。该代理在 AWS HealthLake 中验证并转换提取的数据为 FHIR 资源，旨在减少手动处理并提高准确性。
-
开源人工智能集成可为医疗保健系统提供经济高效的可扩展性
医疗保健组织面临着采用人工智能以改进运营的压力，但专有供应商通常会推动昂贵的系统改造。一种利用开源软件和 FHIR 等开放标准的方法允许医疗保健提供商将人工智能功能与现有基础设施集成。这种方法避免了巨额成本、临床医生抵制和供应商锁定，通过围绕遗留系统构建扩展功能，从而在预算内实现可扩展的人工智能采用。
-
AI系统验证医疗物联网数据翻译代码
研究人员开发了一个由LLM驱动的系统，该系统使用进化代码合成和形式验证来翻译医疗物联网设备中的结构化数据。该系统通过集成形式验证步骤来确保生成的代码值得信赖，从而保证翻译后的数据符合预定义的要求。一个案例研究表明，该系统能够生成一个在脉搏血氧仪的JSON模式和快速医疗互操作性资源（FHIR）格式之间进行形式验证的翻译，并始终以低成本生成正确的翻译。
-
AI系统ACIE在临床数据提取中达到96.5%的准确率
一种名为ACIE的新型Agentic检索增强生成（RAG）系统已在埃森大学医学中心开发并部署，用于临床信息提取。该系统通过处理复杂的患者数据、时间推理和跨文档依赖性，解决了标准RAG的局限性。在一项回顾性淋巴瘤登记研究中，ACIE在超过7000项判断中获得了核医学医生96.5%的接受率，证明了其在准确提取和验证临床信息方面的有效性。