将表格数据转化为类似临床文档的“伪笔记”，使AI模型能够更有效地分析患者信息。
图片ID 311272352 © Jakapong Kuretem | Dreamstime.com
UCLA的研究人员开发了一种AI系统，可将电子健康记录（EHR）中零散的结构化数据转化为可读的叙述性文本，从而使AI系统能够理解复杂的患者历史，并利用这些叙述来执行临床决策支持。
在《npj数字医学》期刊中，研究人员描述了多模态嵌入模型MEME（Multimodal Embedding Model for EHR）如何将表格化的健康数据转化为“伪笔记”，以模仿临床文档的形式。这种方法使得为文本设计的AI模型能够更高效地分析患者信息。
随着AI模型使用的快速增长，出现了不匹配的问题：大型语言模型通常处理文本，而医院的数据则通常存储在包含数字、代码和类别的复杂表格中。研究人员指出，急诊部门尤其需要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方法，使用医疗提供者常用的医疗文档快捷方式，将表格化的EHR数据转化为基于文本的“伪笔记”。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），通过简单的模板将每个模块转化为文本，然后使用语言模型分别对每个模块进行编码。它本质上模拟了一种医学推理形式。
研究指出：“这种方法绕过了显式概念协调的需求，同时充当了结构化EHR数据与大型语言模型之间的自然语言接口。”
这项研究回顾性地使用了波士顿贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）和洛杉矶UCLA Health医疗系统的数据集。
研究团队将其系统与传统机器学习方法、专门的医疗AI模型以及基于提示的方法进行了比较，测试任务包括真实的急诊预测任务。
在一项涉及400,019次急诊访问的研究中，MEME成功预测了急诊处置、出院地点、重症监护需求和死亡率。研究人员发现，在来自重症监护医疗信息数据库（MIMIC）和UCLA数据集的超过130万次急诊访问中，该系统在多个急诊决策支持任务上始终优于现有方法。
这种多模态文本方法分别处理健康记录的不同组件，比试图将所有信息合并为单一表示的方法取得了更好的效果。该系统的表现优于传统的机器学习技术、针对EHR的特定基础模型（如CLMBR和Clinical Longformer）以及标准提示方法。此外，这种方法在不同医院系统和编码标准之间表现出良好的可移植性。
UCLA计算医学博士生Simon Lee在一份声明中表示：“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。通过将医院记录转化为先进语言模型可以理解的格式，我们正在解锁以前医疗提供者无法获得的能力。这种方法比现有的医疗AI系统更具可移植性和适应性，这对使用不同数据标准的机构来说可能特别有价值。”
下一步
研究团队计划测试MEME在急诊部门以外的其他临床环境中的有效性，以验证其更广泛的应用。他们还旨在解决跨站点模型泛化能力方面的局限性，努力确保该系统在不同医疗机构中的表现一致。
未来的工作将集中于扩展这种方法，以适应新的医学概念和不断发展的医疗数据标准，有可能使先进的AI更加普及于医疗系统。
(全文结束)
