patient
PulseAugur coverage of patient — every cluster mentioning patient across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
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。
-
医疗AI训练数据隐私审计揭示患者身份识别风险
一项新研究对用于训练医疗AI模型的数据进行了首次患者级别隐私审计。该研究旨在确定患者信息在这些底层数据中被识别出来的难易程度。此次审计突显了在医疗AI开发背景下患者隐私的潜在脆弱性。
-
AI聊天机器人越来越多地用于健康咨询，引发担忧
人们越来越多地咨询AI聊天机器人以获取医疗和心理健康建议，这引发了对其可靠性以及可能阻止患者寻求专业筛查预约的担忧。虽然AI在健康指导方面的应用日益增长，但其准确性以及对患者行为的影响仍是审查的对象。
-
新的评估框架显示，医疗语言模型存在患者隐私风险
一篇新的研究论文介绍了一个用于医疗语言模型的隐私评估框架，该框架侧重于超越简单文本恢复的现实威胁模型。该框架在不同级别的对抗性访问下，评估敏感诊断的逐字记忆和语义泄露。当应用于在临床笔记上训练的模型时，它揭示了就诊元数据的高记忆率以及诸如堕胎和艾滋病等敏感诊断的显著恢复，尽管一些记忆的标记是模板化的。
-
聊天机器人将处理医生办公室的患者问诊
聊天机器人可以简化医疗环境中的患者问诊流程，减轻医务人员的行政负担。这种方法旨在通过自动化收集患者病史和保险信息等任务来提高效率。将AI集成到这一能力中，可以使医生和护士能够更专注于直接的患者护理和复杂的医疗需求。
-
私募为牟利而削减重要的眼科手术
私募公司在收购眼科诊所后，日益将利润置于患者护理之上。这些公司指示临床医生减少或取消无利可图但紧急的手术，例如视网膜脱离的急诊手术，这通常会导致诊所的经济损失。因此，私募拥有的视网膜诊所进行此类关键手术的数量比其他诊所少约 20%，可能危及患者视力。
-
AI系统CandorMD培训临床医生披露医疗差错
研究人员开发了CandorMD，一个由AI驱动的系统，旨在帮助临床医生练习和提高向患者披露医疗差错的技能。该系统提供实时练习和量身定制的反馈，克服了当前培训方法（如讲座和静态视频）的局限性。CandorMD的设计融入了对医学专业人士和患者倡导者的访谈见解，旨在增强临床医生的信心，并最终改善患者护理和信任。
-
医生告诫患者不要仅依赖AI解释医疗结果
医生们越来越担心患者使用AI来解读他们的医疗结果，并强调了潜在的风险和局限性。虽然AI可以提供快速的解释，但它缺乏人类医生的细致理解和同情心。建议患者将AI作为辅助工具，并始终咨询医生以获得准确的诊断和治疗计划。