大型語言模型（LLM）在臨牀決策支持中展現出強大的自然語言推理能力，但在建模結構化的縱向電子健康記錄（EHR）方面存在困難。這是因為EHR數據通常以結構化表格形式存在，而LLM擅長處理非結構化文本。另一方面，專門的EHR基礎模型能夠從大量患者數據中學習預測性的表示，但其推理過程缺乏語言層面的可解釋性，難以被臨牀醫生理解。為了彌合這一差距，來自多家機構的研究人員提出了ChatHealthAI，一個多模態推理框架，能夠將EHR基礎模型的結構化患者表示與凍結的LLM的語義空間進行對齊，從而實現基於臨牀的自然語言推理。
ChatHealthAI的核心創新在於一個任務感知重採樣器，該模塊能夠根據具體的預測任務，從EHR基礎模型提取的表示中篩選出最相關的信息，並將其轉換為LLM可以理解的令牌序列。通過這種方式，系統能夠整合縱向患者表示與經過細化的臨牀事件描述，從而在保持患者預測準確性的同時，生成可解釋的臨牀推理過程。研究人員在EHRSHOT基準測試的三個臨牀預測任務上評估了ChatHealthAI：死亡率預測、住院時間預測和診斷預測。實驗結果表明，ChatHealthAI在預測性能上與當前最先進的模型持平，但在推理質量和可解釋性方面有顯著提升。例如，在死亡率預測任務中，ChatHealthAI能夠生成包含具體臨牀原因（如心臟病發作、感染等）的自然語言解釋，而不僅僅是輸出風險分數。
這些發現突顯了將EHR基礎模型與預訓練LLM相結合用於可解釋臨牀預測的巨大潛力。ChatHealthAI為醫療AI領域提供了一種新的範式，使得臨牀決策支持系統能夠同時利用結構化數據的預測能力和語言模型的推理能力。未來，研究者計劃進一步優化重採樣器的效率，並在更大規模的數據集上驗證框架的泛化能力。此外，將ChatHealthAI集成到現有電子健康記錄系統中，有望在臨牀實踐中提升診斷和預測的透明度和可靠性，幫助醫生做出更明智的決策。