patient
PulseAugur coverage of patient — every cluster mentioning patient across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
医疗保健AI平台必须优先考虑设计护栏而非培训，以防止PHI泄露
医疗保健技术平台必须实施强大的设计护栏，以防止员工在使用AI工具时意外泄露受保护的健康信息（PHI）。目前行业主要依赖员工培训作为首要防线是不足够的，因为AI代理可以像传统软件无法做到的那样广泛访问和移动数据。这些平台的开发者需要通过构建来优先考虑安全性，确保AI代理拥有有限的权限，实施出口控制，要求对不可逆操作进行人工授权，并在新构建时默认使用去标识化数据。
-
AssemblyAI 将 Ambient AI 记录仪从医疗领域扩展到兽医和法律领域
AssemblyAI 正在探索将其 Ambient AI 记录仪技术应用于医疗领域之外的领域，特别是兽医和法律实践。核心技术涉及被动捕获专业对话并将其转化为结构化文档。虽然捕获、说话人归属和结构化提取的基本架构保持一致，但不同垂直领域需要进行重大调整。对于兽医实践，一个关键挑战是没有会说话的病人，这需要 AI 来区分主人观察、主人结论和兽医的发现。
-
环境 AI 改善医护人员福祉，缩短笔记记录时间
最近的一项试验表明，环境 AI 显著改善了医疗保健环境中的医护人员福祉。该 AI 技术将工作相关倦怠感降低了 0.44 点，并将用于记录笔记的时间每天减少了 0.36 小时。虽然 38% 的笔记是由 AI 生成的，但该系统并未对诊断或计费合规性产生负面影响，专业满意度略有提升。
-
脑植入物使残疾患者能够实时说话
脑植入物使一名残疾患者能够实时交流，标志着辅助技术的重大进步。这项突破使有严重沟通障碍的个体能够更流畅地表达自己。该技术将神经信号转化为语音，为恢复发声能力提供了新的途径。
-
研究人员探索人工智能在癌症患者治疗中的应用
一位研究人员正在探索人工智能在癌症患者治疗中的应用。这项工作旨在利用人工智能技术来改善癌症患者的治疗效果。
-
AI助力首例保视力脑部手术
一名患者在旨在保护视力的AI系统的辅助下成功接受了脑部手术。这标志着这项AI引导的手术技术首次应用于临床，旨在复杂手术中保护视力。
-
人工智能辅助完成首例现场保眼脑部手术
一名患者接受了旨在挽救视力的首例现场人工智能辅助脑部手术。这项开创性的手术凸显了人工智能在医疗保健领域的潜力，提供了以前无法想象的护理。
-
CareCloud 确认 370 万患者记录在重大数据泄露事件中被盗
CareCloud 已确认发生重大数据泄露事件，影响 370 万患者。此次网络攻击导致敏感医疗记录被盗，成为今年美国报告的最大规模医疗数据泄露事件之一。该公司正在调查此次事件的全部范围。
-
研究论文指出大语言模型医疗咨询评估中存在预成型差距
一篇新的研究论文强调了当前对大语言模型（LLMs）在医疗咨询中进行评估时存在的一个重大差距。目前的评估通常在患者问题已明确定义后进行，而忽略了现实世界初次接触行为中常见的模糊或错误表述的初步担忧。该研究使用医生撰写的案例和标准化患者模拟测试了三个API模型，发现特定指令可以改善文档记录和排序，但并不总是能引出关键事实。
-
AI医生记录员在医疗预约中捏造患者病史
在一次医疗预约中使用的AI医生记录员捏造了信息，给患者带来了巨大的痛苦。AI错误地声称患者使用了迷幻蘑菇，患者对此坚决否认。这一失误让患者感到痛苦不堪，泪流满面。
-
AI医生笔误致医疗预约失误，患者深感痛苦 · 追踪4个来源
一名AI医生在医疗预约中出现严重失误，给患者带来了毁灭性的后果。澳大利亚ABC新闻报道了这一事件，凸显了在敏感的医疗保健环境中依赖AI技术的潜在风险和负面影响。该失误给患者造成了严重打击，强调了在患者护理中实施AI时需要谨慎和强有力的监督。
-
AI模型HIPNO从无创信号推断患者血流动力学
研究人员开发了HIPNO（通过物理信息神经网络算子进行血流动力学推断），这是一种新颖的AI模型，旨在从普遍存在的信号中无创地推断血流动力学状态。HIPNO通过在其商空间中参数化网络来解决物理信息推断中的尺度对称性问题，使用诸如顺应性归一化流量和衰减时间常数之类的坐标。HIPNO在来自2,562名患者的超过945,000个术中窗口上进行了测试，在预测血管衰减方面，其误差比人群基线低32%，同时保持了平均动脉压的准确性。
-
新的多智能体系统为不同受众定制 AI 解释
研究人员开发了 XstrAI，一个新颖的多智能体框架，旨在生成面向受众的叙述，用于解释 AI 模型预测，特别是在医疗领域。该系统将 SHAP 等特征归因方法视为固定证据，并为患者、临床医生和数据科学家等不同受众构建沟通。XstrAI 采用专门的规划、语言实现和验证智能体，以确保证据的准确性、归因的一致性以及受众的适宜性，在评估中优于多种基线方法。
-
AI病人模拟器将临床真相与语言生成分开
一位后端工程师和一位医生开发了一个AI病人模拟器，该模拟器将临床真相与语言生成分开。该系统为每位病人维护一个固定的临床状态，并使用知识图谱提供医疗背景信息，但AI模型被限制在翻译语言，不能更改病人的事实数据。这种架构确保了检查结果和体检发现保持确定性，防止AI编造或更改病人信息，同时仍允许它解释用户请求并根据记录的操作进行评分。
-
文本到 SQL 基准测试错误突显了有缺陷的黄金标准
对 BIRD-dev 文本到 SQL 基准测试的新分析揭示了其黄金标准 SQL 注释存在重大问题，近 20% 的模型错误源于基准测试错误地将正确的模型输出标记为错误。研究人员发现，基准测试的评分机制经常因为模型添加了 `DISTINCT` 子句而惩罚模型，而这些子句实际上比提供的黄金 SQL 更准确。这表明，由于过度拟合有缺陷的注释，直接针对基准测试分数进行优化可能会导致模型在实际应用中表现更差。
-
LLM在医疗资源分配中表现出“判断-后果差距”
一篇新研究论文发布在arXiv上，探讨了大型语言模型（LLM）在医疗决策中的道德推理，特别是在稀缺资源分配方面。研究发现了一个显著的“判断-后果差距”，与人类不同，LLM在很大程度上未能让患者对其自身有害健康行为的责任影响到拒绝治疗或资源分配的决策。相反，即使承认患者的过失，LLM也倾向于默认随机分配，并在确定责任时更强调信息获取。
-
新协议帮助卒中幸存者定义 AI 可解释性需求
研究人员开发了一种基于视频的协议，用于从卒中幸存者那里引出可解释人工智能 (XAI) 的需求，解决了向有沟通障碍的个体传达复杂人工智能概念的挑战。该研究涉及三名卒中幸存者（其中两人患有失语症）和三名护理人员，利用类比桥接和投射角色等脚手架技术来收集多样化的 XAI 需求。研究还确定了潜在的促进偏见，例如规范性偏见和假设确认偏见，并为未来应用中减轻这些风险提供了指导。
-
AI工具为临床医生提供“第二双眼睛”，以改善患者护理
一款旨在通过提供“第二双眼睛”来协助临床医生的AI工具正在评估其对患者护理的影响。该AI技术在临床环境中的有效性和益处正受到审视，重点关注其是否最终能改善患者的治疗效果。
-
人工智能抄写员记录并分析医患对话以生成笔记
人工智能“抄写员”会听取医生和患者之间的对话，进行记录，然后分析对话内容以生成医疗笔记。由于录制信息的敏感性，此过程需要双方明确许可。
-
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。