知识卡片：TRACER——跨医疗系统疾病检测的时效性 EHR 基础模型

一句话结论

TRACER 是一个基于解码器架构、在四个医疗系统超 450 万患者纵向电子健康记录（EHR）上预训练的基础模型，在未参与开发的两个外部医疗系统、200 多万患者、16 种新发疾病、1/2/5 年预测窗口上，按筛查场景所需的高特异性（95%）工作点评估，被其标记的患者一年内确诊概率最高可达未筛选人群的约 8 倍；同时该评估方式揭示了全局指标（如 AUROC）掩盖的疾病间与系统间的检出与误报负担差异。

事件概述或研究问题

• 研究问题：纵向 EHR 基础模型能否作为疾病筛查工具，在跨医疗系统的外部环境中保持判别能力？在贴近真实筛查的低假阳性率工作点上，其检出效果与误报负担如何？
• 作者与发布：Mara Pleasure、Ekaterina Redekop、Vedrana Ivezic、Rushikesh Kulkarni、Aaron Chin、William Speier、Corey W. Arnold；arXiv 2610.40536v1，2026-10-29 发布（主类 cs.CE，兼 cs.LG）。
• 模型定位：TRACER（Temporal Risk Assessment with Clinical EHR Representations），一种“time-to-event”（时效性/至事件时间）EHR 基础模型，面向临床诊断的多年期预测。

方法/产品要点

• 架构与预训练：解码器（decoder-based）基础模型；预训练数据来自 4 个医疗系统、超过 450 万名患者的纵向 EHR。
• 评估设计：在 2 个未参与模型开发的医疗系统、超过 200 万名患者上，评估 16 种新发（incident）疾病在 1 年、2 年、5 年三个时间窗口的表现。
• 评估指标取向：不同于以 AUROC 等全局指标为主的常规评估，本文在筛查现实所需的低假阳性率（高特异性）工作点上测量性能。
• 关键工作点：95% 特异性下的检出表现与误报负担。

主要结果或产业意义

• 外部判别力：TRACER 在外部医疗系统中保持了判别能力（retained its discrimination）。
• 筛查效率：在 95% 特异性下，被模型标记的患者在一年内被诊断的可能性最高约为未筛选患者的 8 倍。
• 指标之外的信息：在该工作点上评估发现，即使判别力看起来稳定，检出效果与误报（false-alert）负担仍随疾病种类和医疗系统不同而变化——这是仅看全局指标无法揭示的。
• 产业意义：展示了基础模型用于疾病筛查的潜力，同时强调必须在未参与开发的医疗系统中、按目标临床用途对应的水平评估检出与误报负担。

为什么重要

• 把评估焦点从“排序能力”（AUROC）转向“筛查可用性”（高特异性下的检出与误报），更贴近临床筛查决策的真实代价结构。
• 提供跨医疗系统的外部验证证据，回应了 EHR 基础模型“同源数据表现好、跨系统是否可靠”的关键疑问。
• 提示即使全局判别指标稳定，不同疾病与不同系统间的实际筛查负担仍可能显著不同，部署前需按疾病和站点分别核算。

局限与不确定性

• 具体外部验证的 16 种疾病清单、各疾病/各系统的检出与误报数值、以及“最高 8 倍”对应的具体疾病与场景，摘要未展开，待核实。
• 模型规模、参数量、预训练数据时间跨度、输入特征构成与训练细节，摘要未给出，待核实。
• 是否包含前瞻性验证或临床落地试验，材料未说明，待核实。
• 预训练与评估均基于既有 EHR 数据，标签依赖实际诊断记录，可能存在漏诊/编码偏差，原文是否讨论待核实。

可用于图书/PPT/简报的角度

• “从 AUROC 到筛查工作点”：用本文说明为什么全局指标不足以支撑筛查部署决策。
• “跨系统外部验证”作为医疗基础模型可信度的门槛条件。
• 一个具体量级：95% 特异性下，被标记人群一年内确诊概率最高约为未筛选人群的 8 倍。
• 误报负担的异质性：同一模型、不同疾病、不同医疗系统，筛查代价并不相同。
• 与时间序列基础模型“一次预训练、跨数据集复用”脉络的呼应：TRACER 把这一范式带入纵向 EHR 与时效性预测场景（与既有 TS2Vec-FM 卡片关注的通用时间序列分类形成领域对照，本条增量在于医疗 EHR 与筛查工作点评估）。

原始材料

• 标题：TRACER, a time-to-event EHR foundation model for disease detection across health systems
• 作者：Mara Pleasure, Ekaterina Redekop, Vedrana Ivezic, Rushikesh Kulkarni, Aaron Chin, William Speier, Corey W. Arnold
• arXiv ID：2610.40536v1（Primary: cs.CE；Categories: cs.CE, cs.LG）
• 发布/更新：2026-10-29T17:34:52Z
• Abstract URL: https://arxiv.org/abs/2610.40536v1
• PDF URL: https://arxiv.org/pdf/2610.40536v1
• 关键词（英文）：EHR foundation model; time-to-event; disease screening; external validation; false-positive rate; specificity