缓解临床工作负荷：基于生成式 AI 的 EHR 与 RPM 数据集成分析
机器学习
2025-09-05 v1
摘要
生成式人工智能（GenAI），特别是大语言模型（LLM），提供了强大的能力，用于解释医疗保健中复杂数据景观。本文提供了 GenAI 在从临床数据中提取见解和提高临床效率方面的能力、要求和应用的综合概述。我们首先介绍了患者数据的形式和来源，即远程患者监测（RPM）实时流和传统电子健康记录（EHR）。这类组合数据的庞大规模和异构性为临床工作者带来了显著挑战，导致信息超载。此外，我们探讨了 LLM 驱动应用的潜力，以提高临床效率。这些应用可以增强 longitudinal 患者数据的导航能力，通过自然语言对话提供可操作的临床决策支持。我们讨论了这为简化临床工作流程和个性化护理带来的机遇，以及数据集成复杂性、确保数据质量和 RPM 数据可靠性、维护患者隐私、验证 AI 输出的临床安全性、缓解偏见以及确保临床接受度等关键挑战。我们相信本工作代表了首个针对因 RPM/EHR 数据复杂度导致临床数据超载而应用 GenAI 技术的综合总结。
引用
@article{arxiv.2509.00073,
title = {Mitigating Clinician Information Overload: Generative AI for Integrated EHR and RPM Data Analysis},
author = {Ankit Shetgaonkar and Dipen Pradhan and Lakshit Arora and Sanjay Surendranath Girija and Shashank Kapoor and Aman Raj},
journal= {arXiv preprint arXiv:2509.00073},
year = {2025}
}
备注
Accepted at IEEE COMPSAC 2025