Tracing the Heart: An Evidence-Linked Pipeline for Heart-Failure Feature Engineering
Nimblemind Multi-Agent System (nMAS) 是一个证据关联、基于规则的自动化心力衰竭特征工程流水线，在 500 条模拟 EHR 记录上生成 132 个结构化特征和 70 个规则评分聚合特征，将 HFrEF 表型 AUROC 从 0.895 提升至 0.963，HFpEF 从 0.870 提升至 0.910，独立 LLM 评估得分为 81.5%。
发展脉络
- 首次出现Tracing the Heart: An Evidence-Linked Pipeline for Heart-Failure Feature EngineeringarXiv cs.AI
- 当前判断该研究反映了 AI 在医疗领域应用的趋势：从端到端模型转向可解释、可验证的流水线。nMAS 的证据关联特性可能满足临床对透明度的要求，但模拟数据限制了其直接适用性。Agent Pulse · 分析
电子健康记录（EHR）特征工程是临床研究和 AI 的主要瓶颈，占数据科学家工作量的 39-45%。心力衰竭影响约 670 万美国成年人，需要整合碎片化 EHR 数据与疾病特异性、基于指南的临床推理。现有基于规则和 LLM 的方法仅提供部分自动化，可维护性和证据可追溯性有限。研究者开发了 Nimblemind Multi-Agent System (nMAS)，一个证据关联、基于规则的自动化心力衰竭特征工程流水线，并在 500 条来自九个 EHR 源表的模拟患者记录上进行了评估。nMAS 生成了 132 个结构化特征和 70 个规则评分聚合特征，验证了结构完整性、规则合规性和来源，并由受限 LLM 审计。添加聚合特征将 HFrEF 表型 AUROC 从 0.895 提升至 0.963，HFpEF 从 0.870 提升至 0.910，独立 LLM 基于证据支持和方法学合理性的规则评估得分为 81.5%。
nMAS 展示了多智能体系统在自动化临床特征工程中的潜力，通过证据关联和规则评分确保特征的可追溯性和可维护性。其性能提升表明，结构化特征工程可以显著改善表型识别，但需注意评估基于模拟数据，真实世界效果待验证。
该研究反映了 AI 在医疗领域应用的趋势：从端到端模型转向可解释、可验证的流水线。nMAS 的证据关联特性可能满足临床对透明度的要求，但模拟数据限制了其直接适用性。
nMAS 可能降低 EHR 特征工程的人力成本，提高临床研究效率，对医疗 AI 公司具有潜在价值，但商业化需真实世界验证。
下一步可验证信号包括：在真实 EHR 数据上的验证、与现有临床工作流的集成、以及多中心研究。