AI 系统将复杂的健康记录转化为可读的叙述,以提供更好的护理
快速阅读: 据《News-Medical.Net》称,加州大学洛杉矶分校开发出AI系统MEME,将电子健康记录转化为可读文本,提升临床决策准确性。该系统在急诊科表现优异,具有广泛适应性。
加州大学洛杉矶分校健康科学部
2025年7月2日
加州大学洛杉矶分校的研究人员开发出一种人工智能系统,能够将通常以表格形式存储的碎片化电子健康记录(EHR)转化为可读的叙述。这使得人工智能可以解析复杂的患者病史,并利用这些叙述进行高准确性的临床决策支持。
针对电子健康记录的多模态嵌入模型(MEME)能够将表格健康数据转换为“伪笔记”,这些笔记模拟了临床文档的形式,使专门处理文本的人工智能模型能更有效地分析患者信息。
为何重要:
电子健康记录包含了海量的患者信息,可以帮助医生在紧急情况下更快、更准确地做出决策。然而,大多数尖端人工智能模型处理的是文本,而医院数据则存储在包含数字、代码和分类的复杂表格中。这种不匹配阻碍了医疗系统充分发挥先进人工智能的能力。急诊科尤其需要能够快速处理完整患者病史的工具,以预测结果并指导治疗决策。
研究内容:
研究人员开发了一种新方法,使用医疗文档中常见的快捷方式,将表格电子健康记录数据转换为基于文本的“伪笔记”。换句话说,而不是将EHR视为一系列代码,伪笔记构建了一个由多个叙述组成的故事。该系统将患者数据分解为特定概念的块(如药物、分诊生命体征、诊断等),通过简单模板转换为文本,然后分别使用语言模型进行编码。这本质上模拟了一种医学推理过程。
随后,他们将这些文本输入到先进的语言模型中,将不同类型的健康信息(如实验室结果、诊断和药物)作为独立但相关联的数据流。团队将他们的系统与传统的机器学习方法、专门的医疗AI模型以及基于提示的方法进行了对比测试,评估其在真实急诊科预测任务中的表现。
研究发现:
在来自医疗信息集市重症监护数据库(MIMIC)和加州大学洛杉矶分校数据集的超过130万次急诊科就诊中,MEME在多个急诊科决策支持任务中持续优于现有方法。多模态文本方法,即分别处理健康记录的不同部分,比尝试将所有信息合并成一个表示形式表现更优。该系统在传统机器学习技术、EHR专用基础模型如CLMBR和Clinical Longformer,以及标准提示方法方面表现更优。该方法在不同医院系统和编码标准之间也显示出良好的适应性。
下一步计划:
研究团队计划在急诊科以外的其他临床环境中测试MEME的有效性,以验证其更广泛的应用性。他们还旨在解决跨站点模型泛化能力方面的局限性,确保系统在不同医疗机构中都能保持一致的表现。未来的工作将专注于扩展该方法,以适应新的医学概念和不断变化的医疗数据标准,从而可能使先进的AI对医疗系统更加可及。
专家观点:
加州大学洛杉矶分校计算医学专业的博士生西蒙·李表示:“这填补了目前最强大的人工智能模型与医疗数据复杂现实之间的关键空白。通过将医院记录转换为先进语言模型可以理解的格式,我们解锁了以前难以获取的能力。这种方法比现有的医疗AI系统更具可移植性与适应性,这使其对使用不同数据标准的机构特别有价值。”
来源:
加州大学洛杉矶分校健康科学部
参考文献:
Lee, S. A., 等. (2025). 使用来自多种EHR数据流的伪笔记进行临床决策支持。《npj 数字医学》。doi.org/10.1038/s41746-025-01777-x
(以上内容均由Ai生成)