面向跨机构健康数据交换的人工智能异常检测的采用与效果

本研究探讨了在跨机构电子健康记录（EHR）环境中采用和应用基于人工智能的异常检测方法。旨在（1）识别实现成功所需的组织和数字能力，（2）评估使用语境化审计数据的轻量级异常检测方法的性能和可解释性。开展半系统化范围综述，以推导四支柱就绪框架，涵盖治理、基础设施/互操作性、 workforce 和 AI 集成， operationalized 为 10 项可测量指标的检查清单。结合跨机构审计日志模拟，包含提供者不匹配、访问时间、出院后天数、会话持续时间和访问频率等语境特征。规则方法与 Isolation Forest 进行基准测试，采用 SHAP 解释模型行为。结果表明，规则方法实现高召回率但产生更高警报量，而 Isolation Forest 在降低警报负担方面取得进展，但灵敏度下降。SHAP 分析识别出提供者不匹配和非工作时间访问为主要异常驱动因素。该研究提出了结合规则覆盖和机器学习优先级排序的分阶段部署策略，辅以可解释性和持续监控。研究发现为在多机构医疗环境中实施基于人工智能的异常检测提供了实用就绪框架和实证见解。