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.
6 天有情绪数据
-
新的arXiv论文详细介绍了自主医疗AI代理的路径
一篇新的arXiv论文概述了开发自我进化临床系统的路线图，将医疗代理从特定任务工具转变为自主操作员。该论文提出了一个扩展这些代理的框架，重点是将工具和临床环境（如PACS、EHR和FHIR）集成起来。它强调了临床自我进化，即代理通过交互而非仅仅参数扩展来改进，这是放射学、病理学和眼科学应用的关键研究前沿，同时也解决了幻觉和公平性等部署挑战。
-
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。
-
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。
-
AI 模型改进医疗数据绑定以实现预授权
一篇新的研究论文探讨了将快速医疗互操作性资源 (FHIR) 问卷项目与逻辑观察标识符名称和代码 (LOINC) 绑定的方法，以改进电子预授权工作流程。该研究在一个包含 54 个项目的的数据集上比较了六种不同的技术，包括 TF-IDF、MiniLM、BioBERT 和一种新颖的 BioLORD 模型。BioLORD 在排名靠前的准确性方面表现最佳，而经过对比微调的 MiniLM 模型在排名第 5 和第 10 时实现了最高的召回率。研究还…
-
居家医院护理项目面临安全挑战
美国医疗保险和医疗补助服务中心（CMS）已将其急性居家医院护理（AHCAH）计划延长至2030年9月，使医院能够在家中为患者提供护理。此次扩展带来了重大的网络安全挑战，包括不安全的家庭Wi-Fi、不可靠的连接以及与个人智能设备和海外供应商相关的风险。为应对这些威胁，已提出一个安全框架，重点关注使用HL7 v2和FHIR标准的数据互操作性、具有零信任模型的强大数据治理以及边缘计算的实施。
-
新的EHRSummarizer架构旨在实现注重隐私、原生支持FHIR的患者摘要
提出了一种名为EHRSummarizer的新参考架构，用于从电子健康记录（EHR）生成结构化摘要。该架构注重隐私并兼容FHIR标准，旨在帮助临床医生快速整合患者信息。它侧重于检索相关的FHIR资源，将它们组织成临床上下文包，并使用受限的摘要过程来确保摘要以原始数据为基础。该论文详细介绍了该架构处理缺失数据、用药状态以及使用叙述性文档的方法，并概述了未来的评估计划。
-
Databricks 和 Health Samurai 发布 FHIR 原生健康数据平台
Databricks 和 Health Samurai 合作创建了一个基于 Databricks Lakebase 构建的 FHIR 原生健康数据平台。该平台旨在整合来自各种来源的碎片化医疗保健数据，并在摄取时将其标准化为 FHIR 格式。通过使 Spark、ML 和 AI 工具能够直接访问这些数据而无需 ETL，该解决方案有助于遵守医疗保健法规并支持智能医疗保健应用程序的开发。
-
基于模式的LLM提取患者数据用于数字孪生
研究人员开发了SG-LLM，一种从电子健康记录中提取患者数据以创建数字孪生的新方法。该方法使用模式约束和用于修复的验证循环来约束LLM提取，提高了生成的FHIR包的准确性和有效性。对临床效用的实验表明，在SG-LLM生成的数据上训练的分类器与在专家策划的数据上训练的分类器表现相当，表明其在实际医疗保健应用中的有效性。
-
AI助手帮助患者找到临床试验
开发了一个AI助手，帮助患者应对临床试验的复杂性，解决了许多人不知道或无法获得相关研究机会的问题。该助手利用FHIR和MCP等医疗数据标准来访问和处理信息。尽管取得了进展，但文章指出，目前医疗领域的AI解决方案往往未能完全满足患者的需求和系统集成。
-
临床AI代理采用新架构和评分标准，实现更安全、更低成本的评估
研究人员开发了一种双流内存架构，以应对在纵向健康指导代理中协调患者自我报告与电子健康记录（EHRs）的挑战。该架构将患者叙述与结构化临床数据（FHIR）分开，并使用一个协调引擎来识别和分类差异，实现了84.4%的临床差异检测率。研究还探讨了用于临床AI评估的案例特定评分标准，发现LLM生成的评分标准可以以显著更低的成本近似临床医生的同意度。