#EHR

4 篇

Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records

可解释 Transformer 模型用于结构化电子健康记录的临床预测任务

🧭 结构化 EHR 序列建模 · 可解释性

Sanofi · Carnegie Mellon University

将化验值按百分位分箱离散为 token 并结合 Integrated Gradients，实现 EHR 序列预测与 token 级解释

📌 工作参考价值（4 点）

数值特征离散化：将连续特征（如价格、时长、评分）通过分位数分箱映射为离散 token，既适配 Transformer 输入，又保留相对大小信息，可用于用户行为序列建模。
可解释性归因：Integrated Gradients 对输入 token 序列做贡献归因，可用于诊断推荐模型中哪些历史行为或特征驱动了预测，辅助特征筛选和模型审计。
预训练 + 微调：在大规模用户序列上预训练通用行为语言模型，再针对具体任务（点击率、转化率）微调，类似 BERT-LER 在 EHR 上的做法。
论文是医疗领域，但序列建模和数值编码策略可迁移到电商用户行为序列、广告曝光序列等场景。

Other | 2026-08-20 | cs.LG | score 6/10

Tracing the Heart: An Evidence-Linked Pipeline for Heart-Failure Feature Engineering

心衰特征工程自动化：证据链接的多智体流水线

🧭 Agent协作自动化特征工程与审计

Nimblemind · Singapore University of Technology and Design · University of Illinois Urbana-Champaign · Florida International University · University of California Los Angeles

多Agent协同生成可审计聚合特征，将心衰表型预测AUROC从0.895提升至0.963

📌 工作参考价值（4 点）

自动化特征工程流水线：多Agent分工协作（理解临床指南、检索证据、生成SQL/聚合特征）可迁移到电商推荐，用LLM Agent自动从用户行为日志、商品属性中生成高阶聚合特征，替代大量手工特征工程，提升CTR/CVR模型AUC。
证据链接与审计机制：每个特征关联生成依据（如原始表、映射规则），可解释且可审计，适合对模型效果变动进行归因追踪，在推荐系统中排查特征漂移或线上效果波动时有工程价值。
Rubric打分过滤低质特征：为特征生成设计量化评分标准（有效性、证据支持度），可在Agent pipeline中置入质检步骤，避免无效特征进入模型，减少特征膨胀和过拟合风险。
受限LLM审计确保合规：推荐系统中的风控、生态规则等场景可借鉴，用独立Agent审核生成特征是否符合业务规范，提升系统安全性。

MultiAgent | 2026-08-06 | cs.LG | score 6/10

Multi-Agent System Feature Engineering Evidence-Linked Rubric Scoring EHR Healthcare AI

GraphRAG on Consumer Hardware: Benchmarking Local LLMs for Healthcare EHR Schema Retrieval

消费级硬件上的GraphRAG：本地部署LLM医疗EHR schema检索评测

🧭 GraphRAG本地部署可行性评估

California Polytechnic State University

在8GB消费GPU上评测GraphRAG，发现7B以下模型无法完成管道，本地检索优于全局摘要

📌 工作参考价值（4 点）

图谱RAG部署时，模型参数最好≥7B，否则结构化输出不稳定，易导致管道失败；对电商知识图谱等应用，选型要避开过小模型。
本地检索（local retrieval）在延迟和事实准确性上均优于全局摘要，且幻觉更少，适合电商实时问答或隐私敏感场景，可优先采用。
知识图谱实体丰富度与最终答案质量解耦，评估时需分开关注索引和生成阶段，不能仅凭图谱规模选模型。
消费级GPU（8GB VRAM）足以运行GraphRAG全管道，为中小团队本地化部署生成式搜索或推荐系统提供了成本可行的参考。

RAG | 2026-05-20 | cs.IR | score 6/10

GraphRAG LLM Benchmark Local Deployment Knowledge Graph EHR

COTCAgent: Preventive Consultation via Probabilistic Chain-of-Thought Completion

COTCAgent：基于概率思维链补全的预防性咨询系统

🧭 Agent ★ 深度解读

The University of Hong Kong · University of Electronic Science and Technology of China · The University of Sydney

通过解耦可执行趋势统计、IDF 加权知识库评分和有界对话补全，COTCAgent 实现纵向 EHR 的可审计疾病排序。

Agent | 2026-05-14 | cs.CL | score 8/10

EHR Agent Clinical Reasoning Knowledge Base Probabilistic Scoring Chain-of-Thought