AI模型将医院记录转化为文本以优化急诊决策

AI model converts hospital records into text for better emergency care decisions

加州大学洛杉矶分校（UCLA）的研究人员开发了一种人工智能（AI）系统，能够将零散的电子健康记录（EHR）从原本的表格形式转化为可读的叙述性文字。这种转化使得人工智能能够理解复杂的患者历史，并利用这些叙述性内容进行高精度的临床决策支持。多模态嵌入模型（Multimodal Embedding Model for EHR，简称MEME）将表格化的健康数据转化为“伪笔记”，模拟了临床文档的形式，从而使专为文本设计的AI模型能够更有效地分析患者信息。

这项研究发表在《npj数字医学》期刊上。

电子健康记录中包含大量患者信息，这些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，大多数尖端的人工智能模型主要处理文本数据，而医院的数据则存储在复杂的表格中，包含数字、代码和分类信息。这种不匹配阻碍了医疗系统充分利用先进的人工智能能力。尤其在急诊科，快速决策可能至关重要，因此迫切需要一种能够快速处理全面患者历史的工具，以预测结果并指导治疗决策。

研究人员创建了一种新方法，使用医务人员常用的医疗文档快捷方式，将表格形式的电子健康记录数据转化为基于文本的“伪笔记”。换句话说，这种方法不是将EHR视为一堆代码，而是通过多个叙述块构建出一个完整的故事。

该系统将患者数据分解为特定概念的模块（如药物、分诊生命体征、诊断等），然后使用简单模板将每个模块转化为文本，并通过语言模型分别编码每一个模块。这实际上模仿了一种医学推理形式。

随后，团队将这些文本输入到高级语言模型中，将不同类型的健康信息（如实验室结果、诊断和药物）作为独立但相关的信息流进行处理。他们通过真实急诊预测任务测试了系统性能，将其与传统机器学习方法、专门针对医疗领域的AI模型以及基于提示的方法进行了比较。

通过对来自重症监护医学信息集市（MIMIC）数据库和加州大学洛杉矶分校数据集的超过130万次急诊访问记录进行分析，MEME在多种急诊决策支持任务中始终优于现有方法。这种多模态文本方法通过分别处理健康记录的不同组成部分，取得了比尝试将所有信息合并为单一表示更好的结果。

该系统的表现优于传统的机器学习技术、如CLMBR和Clinical Longformer等针对EHR的专用基础模型，以及标准提示方法。此外，该方法还表现出良好的跨医院系统和编码标准的可移植性。

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潜力。他们还旨在解决跨站点模型通用性方面的局限性，努力确保系统在不同医疗机构中的表现一致性。未来的工作将集中于扩展该方法，以适应新的医学概念和不断发展的医疗数据标准，从而让先进的AI更加易于被医疗系统采用。

“这弥合了当今最强大的AI模型与医疗数据复杂现实之间的关键差距，”加州大学洛杉矶分校计算医学博士生Simon Lee表示。“通过将医院记录转化为高级语言模型可以理解的格式，我们解锁了以前医护人员无法获得的能力。这一方法比现有的医疗AI系统更具可移植性和适应性，对于使用不同数据标准的机构来说可能具有特别高的价值。”

更多信息： Simon A. Lee等，《使用伪笔记进行临床决策支持》，《npj数字医学》（2025）。DOI: 10.1038/s41746-025-01777-x

(全文结束)