EHR2Trace转换8.46亿事件，检测全部28个注入故障！
EHR2Trace: Auditable EHR Data Infrastructure for Patient World Models and Clinical Agents
📖 AI 总结
本文提出 EHR2Trace，一套面向患者世界模型与临床智能体的可审计电子健康记录（EHR）数据基础设施。该系统将不同来源的 EHR 转换为可追溯的患者事件，支持模型训练与评估：它将事件链接至原始记录，区分事件发生时间与信息可用时间，并区分用药医嘱、发药与实际给药，同时以统一事件表示支持 OMOP 与 MEDS 两种导出格式，具备自动验证与可复现构建能力。在三个临床数据集上，EHR2Trace 共转换 8.464 亿条事件，除 MIMIC-IV 上一项单位一致性检查外，所有适用检查均通过，并成功检出全部 28 个注入故障。对照预测实验发现，将较晚的诊断时间错误归因于入院时间会显著虚高模型性能，且基于此类数据训练的模型在按信息可用性过滤的真实病史数据上部署时准确率下降。该工作为患者世界模型与临床智能体提供了可复用的数据基础，有助于研究者审查患者病史、核查转换决策，并以明确的数据规则评估模型。
🔑 关键词速览
| EHR2Trace | 一种将不同来源的电子健康记录转换为可追溯患者事件的系统，用于模型训练与评估。 |
| Patient World Models | 患者世界模型，旨在预测患者健康状况变化并支持临床决策的机器学习模型。 |
| Clinical Agents | 临床智能体，能够辅助临床工作、基于患者数据执行任务的自动化系统。 |
| OMOP | 观察性医疗结果合作组织（Observational Medical Outcomes Partnership）提出的通用数据模型，用于标准化医疗数据。 |
| MEDS | 医疗事件数据标准（Medical Event Data Standard），一种用于表示患者医疗事件的数据格式。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅