美国加州大学洛杉矶分校健康科学（UCLA Health Sciences）的研究团队开发出一种全新的人工智能系统，可以将通常以表格形式存储的碎片化电子健康记录（EHR）转化为易于理解的叙事文本。这一转化使人工智能能够更好地理解复杂的患者病史，并利用这些叙事信息执行高精度的临床决策支持任务。该系统名为“多模态嵌入模型用于电子健康记录”（Multimodal Embedding Model for EHR，简称MEME），它将表格化的健康数据转化为类似于临床文档的“伪笔记”，从而让专为文本设计的AI模型能够更有效地分析患者信息。
为什么这很重要
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，大多数先进的AI模型主要适用于文本数据，而医院的数据通常以包含数字、代码和分类的复杂表格形式存储。这种数据格式的不匹配阻碍了医疗系统充分利用先进AI的能力。而在急诊科，快速决策可能关乎生死，因此迫切需要能够迅速处理全面患者病史并预测结果、指导治疗决策的工具。
研究内容
研究人员创造了一种全新的方法，通过医疗文档中常用的缩写方式将表格化的电子健康记录数据转化为基于文本的“伪笔记”。换句话说，系统不再简单地将EHR视为一系列代码，而是将其转化为由多个叙事组成的“故事”。该系统会将患者数据分解为特定概念模块（如药物、分诊生命体征、诊断等），然后使用简单的模板将每个模块转化为文本，并分别用语言模型进行编码。这种方法本质上模拟了一种医学推理过程。
随后，研究人员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）作为独立但相关的数据流进行处理。研究团队通过真实的急诊预测任务测试了该系统，并将其与传统的机器学习方法、专门针对医疗领域的AI模型以及基于提示的方法进行了对比。
研究发现
通过对来自重症监护医疗信息数据库（MIMIC）和加州大学洛杉矶分校数据集中超过130万次急诊访问的分析，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，相较于尝试将所有信息整合为单一表示的方法，取得了更好的结果。该系统在性能上超越了传统机器学习技术、针对EHR设计的基础模型（如CLMBR和Clinical Longformer），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。
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潜力。他们还希望解决跨站点模型泛化能力方面的局限性，确保该系统能够在不同的医疗机构中保持一致的表现。未来的工作将集中在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，从而让更多医疗系统能够使用先进的AI技术。
专家观点
加州大学洛杉矶分校计算医学博士生Simon Lee表示：“这项研究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。通过将医院记录转化为高级语言模型能够理解的格式，我们解锁了以前医疗从业者无法企及的能力。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而言可能具有特别高的价值。”
来源：加州大学洛杉矶分校健康科学
期刊参考文献：Lee, S. A., et al. (2025). 使用多流EHR数据生成伪笔记的临床决策支持. npj Digital Medicine. doi.org/10.1038/s41746-025-01777-x.
(全文结束)
