Health Level 7
PulseAugur coverage of Health Level 7 — every cluster mentioning Health Level 7 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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…
-
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…
-
AI 代理加速软件开发，但需要人工监督
开发人员越来越多地使用 AI 代理来加速软件开发，一位用户报告称，通过雇用专门的代理来完成架构、编码和 QA 等任务，MVP 构建的成本节省了 55%，时间节省了 40-50%。然而，挑战依然存在，包括运行这些代理的显着成本以及管理错误和集成对人工监督的持续需求。防止 AI 代理进入无限循环也是一个关键问题，通过实施迭代上限、对工具调用进行去重以及检测语义循环来避免成本过高并确保任务完成。