EHR2Trace：面向患者世界模型与临床智能体的可审计电子病历数据基础设施
临床 AI 的"隐形地基"问题
患者世界模型（patient world model）与临床智能体（clinical agent）的目标，是预测患者健康状态的变化、辅助临床决策。但要训练和评估这类系统，模型需要的不只是"病历文本"，而是可靠的患者状态—治疗—决策时点信息序列。
电子健康记录（EHR）理论上包含这些历史，但现实是：不同机构、不同系统对同一事件的记录方式千差万别，导致数据难以被一致地使用。事件何时发生、信息何时可用、医嘱与发药与给药如何区分——这些看似工程细节的问题，直接决定了模型评估是否可信。
EHR2Trace 做了什么
来自 arXiv 的论文 EHR2Trace（arXiv:2609.38193）提出了一套系统，将不同来源的 EHR 转换为可追溯的患者事件，用于模型训练与评估。其核心设计包括三点：
- 事件与源记录绑定：每个事件都能回溯到原始记录，便于审计；
- 事件时间与信息可用时间分离：避免把"事后才知道的诊断"错误地当作决策时已掌握的信息；
- 区分医嘱（order）、发药（dispensing）与给药（administration）：这三者在临床上含义不同，混用会引入偏差。
系统采用统一的事件表示，同时支持 OMOP 与 MEDS 两种导出格式，并提供自动化校验与可复现构建流程。
规模与验证结果
论文报告称，在三个临床数据集上，EHR2Trace 共转换了 8.464 亿个事件。除 MIMIC-IV 上的一项单位一致性检查外，所有适用的检查均通过；同时，系统检测出了全部 28 个注入故障，说明其校验机制具备实际发现问题的能力。
一个值得警惕的实验发现
论文还做了一个受控预测实验，结论颇具警示意味：如果把较晚才出现的诊断归到入院时间，模型的测量性能会被显著"虚高"；而用这种数据训练出的模型，在按"信息可用性"过滤后的真实病史上部署时，准确率会下降。
这揭示了一个常被忽视的风险：数据泄漏不一定来自特征工程，也可能来自时间戳处理本身。
意义与边界
EHR2Trace 的定位不是新模型，而是可复用的数据基础层——让研究者能检查患者病史、审查转换决策、并以明确的数据规则评估模型。对于正在推进临床智能体的团队而言，这类"看不见的基础设施"可能比模型结构更影响最终结论的可靠性。
需要说明的是，本文为 arXiv 预印本，尚未经过同行评审；其性能与泛化能力仍需在更多真实临床环境中检验。
