Structured-to-Narrative Representation Framework for Next-Day Discharge Prediction Using Structured EHR Data and Clinical Language Models
本研究引入了一种从结构化到叙事性的框架，将高维电子健康记录数据转化为可解释的文本，用于预测择期脊柱手术的次日出院情况，并证明虽然集成模型实现了卓越的判别能力（AUROC 0.94），但经过微调的领域特定 Transformer 提供了一个具有竞争力的、语言原生的替代方案（AUROC 0.84），能够支持临床连贯且可解释的决策制定。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医院繁忙的节奏中，患者离开的那一刻与他们抵达的那一刻同样关键。对于外科医生和护士来说，了解一名接受了计划内脊柱手术的患者是否能在次日回家，是一项至关重要的信息。这能让医疗团队协调护理、管理床位可用性，并确保资源的有效利用。然而，预测这一结果非常困难，因为每个患者都是不同的，且康复取决于复杂的综合因素：具体的手术类型、患者的年龄、整体健康状况以及身体对手术的反应。传统上，计算机试图通过观察数据行与列来解决这个问题——即代表化验结果、诊断和手术的数字与代码列表。虽然这些方法效果良好，但对于使用它们的医生来说，它们往往感觉像是一个“黑箱”，只提供预测，却无法清晰解释做出该决策的原因。
加州大学欧文分校的一组研究人员探索了一种新的方法，以弥合原始数据与人类理解之间的鸿沟。他们提出了一个简单的问题：如果计算机不是将患者的病历视为一张数字表格，而是将其视为一个简短、清晰的故事，情况会怎样？在他们于2026年8月发表的研究中，研究人员开发了一种系统，该系统可以将电子健康记录中的结构化数据（例如，是否进行了特定化验或特定手术的二元指标）自动转换为平实的英文句子。随后，他们训练了一个专门的计算机模型来阅读这些生成的“故事”，并预测患者是否会在次日出院。其目标不仅是获得正确的答案，而且是以一种模仿人类医生思考方式的方式来实现，即通过观察患者病情的叙述过程，而非孤立的数据点。
研究人员分析了美国一家大型医疗中心接受过择期脊柱手术的1,958名成年人的记录。针对每位患者，他们收集了大约600个不同的信息点，包括年龄、性别、实验室结果，以及涉及的手术和诊断的具体代码。他们仔细排除了种族或邮政编码等个人细节，以确保模型仅关注医学因素。团队将这些数据分为两组来测试他们的想法。首先，他们训练了标准的机器学习模型——这些模型类似于寻找数字模式的强大计算器——来预测结果。其次，他们构建了另一种基于被称为“Transformer”技术的模型，这种技术旨在理解语言。这个第二种模型从未见过原始数字；相反，它只阅读描述每位患者医疗状况的简短生成故事。这些故事是由一套规则创建的，将数据点转化为句子，例如：“患者年龄为65岁，接受了特定的融合手术”，其中省略了关于最终结果的任何信息，因此模型必须学会自行预测。
当研究人员比较结果时，传统的机器学习模型被证明在区分哪些患者会回家以及哪些患者会留院方面最为准确。这些模型达到了很高的辨别度，在跨不同患者组进行测试时，正确识别结果的比例约为94%。它们也非常擅长提供可靠的概率估计，这意味着它们的置信水平与现实相符。然而，依赖叙事故事的模型在纯粹的准确性方面表现稍逊一筹，其辨别得分约为84%。然而，这个较低的数字仅说明了部分情况：基于叙事模型的优势在于，它在捕捉那些确实会在次日出院的患者方面表现得更好。虽然传统模型有时会错过这些早期出院的患者，但故事阅读模型成功识别了约75%的此类患者。这在医院环境中是一个至关重要的区别，因为错过一名准备好离开的患者可能会延迟其护理并造成床位不必要的占用。
研究还密切观察了这些模型是如何做出决策的，以确保它们的思考方式符合医生的逻辑。对于传统模型，研究人员使用了名为SHAP分析的方法，该方法会突出显示哪些特定数据点对预测最为重要。他们发现，模型正确地识别出更复杂的手术、高龄以及不稳定的化验结果是导致患者留院时间较长的主要原因。这与医学专家的既有认知相吻匹配。对于叙事模型，其推理过程直接构建在它所阅读的文本之中。当模型预测患者会留院时，它所阅读的故事可能包含了关于复杂的多节段手术或生理压力迹象的细节。当它预测出院时，故事则描述了一个较简单的程序且并发症较少。这种输入文本与输出决策之间的直接联系，使得模型的推理过程透明且易于临床医生理解，这与传统方法中隐藏的计算过程形成了对比。
该研究的一个重要发现是，通用的、预训练的语言模型（即那些阅读了大量通用文本但未接触过特定医学数据的模型）完全无法胜任这项任务。当研究人员在没有进行特殊训练的情况下尝试使用这些现成的模型时，它们无法学习区分这两类患者，通常只能进行随机猜测。这证实了虽然语言模型功能强大，但它们需要经过专门训练，学习如何阅读医学数据才能在医院中发挥作用。研究人员表明，通过在源自其患者数据的“结构化转叙事”故事上进行微调，可以创建一个能够理解临床康复细微差别的系统。该模型学会了识别，当某些程序和化验结果在句子中被描述时，它们承载着关于患者何时准备好回家的特定含义。
研究人员得出结论，虽然传统的机器学习模型仍是纯粹预测中最准确的工具，但基于叙事的处理方式为实际应用提供了一个强大的替代方案。在繁忙的医院中，一项预测的价值取决于医疗团队对其产生的信任。一个能够使用医生每天使用的语言来解释其推理过程的系统——通过将患者的情况描述为一系列事件而非一系列代码——更有可能被采用并获得信任。研究表明，将结构化数据转化为故事不仅使输出结果更易于阅读，而且从根本上改变了计算机处理信息的方式，使其逻辑更贴近人类的临床推理。这种方法为将人工智能整合到日常医院工作流中提供了一条路径，其目标不仅是预测未来，更是以一种有助于医生为患者做出更好、更明智决策的方式来进行预测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。