《Scientific Reports》：AIDx: a locally deployable AI system for physician clinical decision support
编辑推荐：
医学的动态环境——尤其是急诊科(Emergency Department, ED)——使医师面临大量患者数据的冲击，并需要在高压条件下迅速做出诊断与处置决策。尽管已有众多针对医学应用的AI模型被开发出来，但由于往往与现有临床工作流不契合，其融入医院信息系统的程
医学的动态环境——尤其是急诊科(Emergency Department, ED)——使医师面临大量患者数据的冲击，并需要在高压条件下迅速做出诊断与处置决策。尽管已有众多针对医学应用的AI模型被开发出来，但由于往往与现有临床工作流不契合，其融入医院信息系统的程度仍然有限。为解决上述问题，研究人员开发了AIDx——一个由AI驱动、旨在帮助医师简化临床决策、改善诊断支持并提供集成化AI辅助分析平台的系统。与许多独立系统不同，AIDx设计为可与电子健康记录(Electronic Health Record, EHR)系统互操作，并能调用补充工具如最新医学知识库及辅助AI模型。AIDx的核心组件是AIDx-Copilot：一个在去标识化(de-identified) EHR数据上微调(Fine-tuning)的大语言模型(Large Language Model, LLM)，并可选择性地基于开放医学参考文献做检索增强生成(Retrieval-Augmented Generation, RAG)。本研究为纯文本基准评测。研究人员采用统一、确定性、单次推理协议(temperature=0；无投票)在MultiMedQA基准套件上评估AIDx-Copilot。在9个MultiMedQA子集（MedQA、PubMedQA、MedMCQA及医学相关MMLU科目）上，AIDx-Copilot平均准确率为83.61%（标准差SD 7.37）。研究人员报告了各数据集Wilson 95%置信区间以量化有限测试集带来的不确定性。为分离各组件贡献，研究人员进行了消融实验，对比基线模型、无检索微调模型及启用RAG的微调模型。基于EHR数据的微调是性能提升的主要来源（较基线模型平均+17.8个百分点），而RAG带来微小额外收益（平均+0.4个百分点），且因数据集而异。对200道错误作答项的定性错误分析表明，知识缺口(Knowledge gap, 41.0%)和推理错误(Reasoning error, 38.0%)为主要失效模式。大型专有系统的对比数值仅作为补充材料中的背景参照，因其可能使用不同提示词与推理设置。部署配置（量化权重与本地服务）支持快速推理与本地部署：量化配置下系统每查询中位延迟0.84秒，在两张商用GPU上占用28.1 GB显存(VRAM)。主要结果基于不含RAG的公共基准评测，未开展临床、用户研究或真实世界验证。此外，虽然AIDx支持完全本地运行，特定部署可选择第三方嵌入或向量搜索服务；本文记录了数据流边界及完全本地配置路径。
论文解读：AIDx——一种可本地部署的医师临床决策支持AI系统
该研究发表于《Scientific Reports》。急诊科等医疗场所的高负荷患者流量使临床医师面临海量数据与快速决策压力，而现有AI模型多针对单一窄任务、难以与电子健康记录(Electronic Health Record, EHR)工作流无缝集成，且超大规模模型对基础设施与数据治理要求高，存在受保护健康信息(Protected Health Information, PHI)外流风险。通用大语言模型(Large Language Model, LLM)虽引发关注，但其可靠性、合规性与可审计性仍待明确。为此，研究人员开发了AIDx系统——一个可与EHR互操作、支持可选检索增强生成(Retrieval-Augmented Generation, RAG)、并可完全本地部署的LLM驱动临床辅助平台，核心模块AIDx-Copilot在去标识化EHR数据上微调，旨在通过基准评测验证其作为院内本地部署候选方案的可行性，但本研究未涉及临床实效验证。
主要关键技术方法
研究人员以Mixtral-8x7B-Instruct-v0.1为基座模型，使用来自MIMIC-IV的去标识化急诊、住院及ICU记录构建训练数据：将每位患者静态属性（人口学、病史）与动态属性（检验、医嘱、诊断）分离，按时间戳生成时序就诊时间线(visit timeline)快照以防止时间泄露，并基于快照自动生成约800万条临床问答对用于监督指令微调(Instruction Tuning)，采用低秩适配(Low-Rank Adaptation, LoRA)与DeepSpeed ZeRO优化，合并LoRA权重后使用ExLLaMA v2进行4比特量化。RAG知识库由LibreTexts医学图书馆开放教材构建，文本递归切分（1000字符，无重叠）并建立向量索引；完全本地部署可用BGE-base-en-v1.5编码器和FAISS向量库替代第三方服务。评测采用MultiMedQA套件（MedQA、PubMedQA、MedMCQA及6项医学MMLU子集），统一确定性单次推理（temperature=0，无自一致性投票，正则提取答案字母），报告Wilson 95%置信区间；消融实验设基线、基线+RAG、仅微调(FT)、微调+RAG四组配置；错误分析对MedQA与MedMCQA中200道错误项分层随机抽样人工归类。系统经OpenAI兼容API(TabbyAPI)提供服务，支持审计日志、基于角色的访问控制(Role-Based Access Control, RBAC)、模型与索引版本控制。
研究结果
Per-dataset performance on MultiMedQA
研究人员在禁用RAG条件下对微调后AIDx-Copilot进行MultiMedQA九子集评测，得到平均准确率83.61%（SD 7.37）；最高为MMLU Professional Medicine（93.4%）与MMLU Clinical Knowledge（90.0%），MedQA(USMLE)为84.6%，MedMCQA相对较低（70.7%）。正则提取失败率仅0.4%，说明格式化约束有效。
Ablation results
消融实验显示：基于EHR的微调使平均准确率较Mixtral基线（65.8%）提升+17.8个百分点，各子集均获益显著；添加RAG至微调模型仅平均再提升+0.4个百分点——在需事实回忆的子集（PubMedQA +1.4、MedQA +0.7等）略有助益，在已高分或侧重推理的子集呈中性或微负，说明RAG价值取决于问题与语料匹配度。
Error analysis
对200道错误的人工分类表明：知识缺口占41.0%（多见于药理学及亚专科内容在MIMIC-IV中低频出现），推理错误占38.0%（多步临床情景下选近似但非最优选项或混淆相似疾病），题干理解偏差15.0%（否定词、复杂句式），输出格式提取失败仅6.0%。
Operational metrics
量化(EXL2 4-bit)模型分布于两张RTX 4090 GPU占用28.1 GB VRAM，无RAG时单查询中位延迟0.84秒，启用RAG后因嵌入与向量检索增约0.63秒（总约1.47秒），RAG索引312 MB，均在医院IT常规硬件承受范围内，支持交互式临床使用。
讨论与结论
讨论部分指出，AIDx通过EHR时间线快照重构、可选RAG外部知识锚定及OpenAI兼容接口设计，兼顾工作流融合与本地可审计性。消融证实EHR微调是性能跃升主因，RAG提供轻量知识更新途径但效果因题而异；错误分析提示扩充亚专科RAG语料可缓解知识缺口，推理错误需借助思维链(Chain-of-Thought, CoT)等未来策略。系统支持全本地推理、嵌入与向量搜索，辅以审计日志、RBAC及版本控制满足隐私合规（HIPAA/GDPR/EU AI Act）。研究局限为仅基于公开文本基准，未进行临床试验或用户研究，且为单模态文本、错误分析由单人标注。
研究结论翻译：
在本研究中，研究人员介绍了AIDx——一种可本地部署、纯文本模式的临床辅助系统，可与EHR系统集成并可选基于医学参考文献做检索增强生成(RAG)。在基准评测范畴内，AIDx-Copilot于MultiMedQA各子集表现出较高准确率，且配置相对紧凑。EHR数据微调是性能提升的主要驱动因素（+17.8个百分点），RAG提供微小的额外收益（+0.4个百分点）且依数据集变化。主导错误模式为知识缺口与推理错误。操作指标表明AIDx可在双RTX 4090 GPU上以亚秒级延迟运行，是经临床验证前具备本地部署可行性的候选方案。AIDx强调EHR对齐的患者上下文构建、可选外部知识锚定及兼容现有工作流的部署模式，而非单纯扩大模型规模。后续工作应包括IRB批准的临床用户研究、多评审者错误分析及多模态扩展。
