知识卡片：追踪心脏：用于心力衰竭特征工程的证据链接流水线

一句话结论

Nimblemind多智能体系统（nMAS）能够在心力衰竭电子健康记录（EHR）数据上自动生成可审计、可追溯的特征，使HFrEF表型分型的held-out AUROC从0.895提升到0.963，HFpEF从0.870提升到0.910。

事件概述或研究问题

EHR特征工程是临床研究和AI开发的主要瓶颈，约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，其EHR数据分散、碎片化，需要结合疾病特异性和基于指南的临床推理，因此特征工程尤其困难。现有基于规则和基于大语言模型（LLM）的方法只能部分自动化，且可维护性和证据可追溯性有限。本研究提出并评估了一个自动化的心力衰竭特征工程流水线。

方法/产品要点

• 系统名称：Nimblemind Multi-Agent System（nMAS），一种证据链接、基于评分标准（rubric）的多智能体流水线。
• 输入：来自9个EHR源表的500份虚拟患者记录。
• 输出：132个结构化特征和70个按评分标准评分的聚合特征。
• 验证方式：对特征进行结构完整性、评分标准符合性和来源（provenance）验证，并由受限LLM进行审计。
• 特征质量评估：使用独立LLM基于评分标准对证据支持和方法学合理性打分。

主要结果或产业意义

• 自动生成的特征显著改善了心衰表型分型表现：HFrEF的held-out AUROC从0.895升至0.963；HFpEF从0.870升至0.910。
• 独立LLM基于评分标准的评估显示，特征在证据支持和方法学合理性方面达到最高分的81.5%。
• 该结果证明了对于复杂心血管EHR数据，自动化、可审计的特征工程是可行的，有望降低数据科学家在特征工程上的高耗时负担。

为什么重要

心力衰竭EHR数据复杂且涉及大量临床判断，传统人工特征工程效率低、可维护性差。nMAS提供了一种“证据链接”和“可审计”的自动化方案，让特征生成过程更透明，有助于提升临床AI的可信度。

与已有nMAS相关卡片相比，本卡片的增量在于：nMAS的应用从胃活检病理报告的文本字段检测，扩展到心血管EHR的结构化特征工程，并使用表型分型AUROC量化了自动生成特征的实际收益。

局限与不确定性

• 评估基于500份虚拟患者记录，而非真实患者队列；摘要同时指出评估限于单一机构队列，需要外部验证。
• 摘录中未提供特征生成规则、评分标准细节、LLM审计的具体设置等，相关内容待核实。
• 摘要未提及与纯规则或纯LLM方法的定量对比，因此相对优势的幅度待核实。

可用于图书/PPT/简报的角度

• 用多智能体+证据链接解决EHR特征工程瓶颈：从“人工构造特征”到“可审计自动生成”。
• 以心衰表型分型为例，展示自动化特征工程对模型性能的提升幅度。
• 强调“证据可追溯”和“审计”在医疗AI合规与落地中的重要性。

原始材料

• 中文标题：追踪心脏：用于心力衰竭特征工程的证据链接流水线
• 英文标题：Tracing the Heart: An Evidence-Linked Pipeline for Heart-Failure Feature Engineering
• arXiv ID：2608.06366v1
• URL：https://arxiv.org/abs/2608.06366v1
• 作者：Soorya Ram Shimgekar, Michelle Hu, Dorisa Shehi, Daniel Kang, Roy Ka-Wei Lee, Koustuv Saha, Christian Poellabauer, Christopher Lee, Sajeev Singh, Piyum Zonooz, Navin Kumar, Zeeshan Ahmed, Priyadarshini Kachroo
• 发布时间：2026-08-06（以arXiv页面为准）
• 英文关键词（根据摘要提炼）：EHR feature engineering; Heart failure; Multi-agent system; Evidence traceability; Phenotyping