摘要
生成性AI能够编码大量医学知识，但特定患者的答案仍然受限于推理时提供的上下文。电子健康记录和FHIR支持文档和互操作性，但它们本身并未定义模型应接收的完整、当前和可审计的上下文。基于相似性的检索可以找到相关文本，但它既不能保证收集到临床相关的记录，也无法明确遗漏。
我们引入了MedBeads，这是一种面向AI的临床记录基础，能够在生成之前组装声明的纵向患者信息闭包。Bead是一个不可变的临床或知识对象，通过SHA-256标识标准内容，并作为附加只读框架存储在以患者为范围的Pod中。结构父边形成一个以患者为根的Merkle DAG。类型化临床链接占据一个单独的、可重构的解释层，该层源自签名的、版本化的知识规则；当知识发生变化时，它们可以被重新计算，而无需重写临床事实。检索遵循授权的结构和临床边，解决修正和撤回，并报告政策或令牌截断。
一个开源的Go实现使用附加只读Pod和可重构的SQLite投影。对1,135个合成的Synthea FHIR包进行基于文件的转换，产生了约一百万个Bead，并展示了确定性临床链接推导和解释层重构。这些工程结果确立了可行性和可重复性，而非减少幻觉或改善临床结果。MedBeads将基础问题重新构建为数据结构问题，通过提供一个有政策限制、具有来源的临床子图，而不是不透明的相似片段列表。
博主点评： MedBeads的设计思路创新，尤其在数据结构与临床信息的结合上，提供了一种新的思路来解决生成性AI面临的上下文限制问题。通过不可变的对象与可重构的链接，MedBeads不仅提升了数据的可追溯性，还为临床决策提供了更为可靠的支持。其开源实现也为研究者提供了进一步探索的基础。