在醫療資訊系統（HIS）中，人為輸入錯誤是資料完整性的主要威脅之一。現有統計異常檢測方法常常無法區分這些錯誤和真實的臨床極端情況，導致誤報或漏報。針對這一問題，來自研究人員Abolfazl Zarghani 等人提出了一種名為 Logic-GNN 的新型神經符號框架。該框架將臨床記錄視為一種由潛在邏輯遊戲支配的“私人語言”，透過整合時序圖神經網路（TGNN）和圖柯爾莫哥洛夫複雜度（Graph Kolmogorov Complexity），自動歸納出表示醫療互動底層邏輯的符號語法。在這一框架中，異常被定義為導致臨床圖最小描述長度（MDL）顯著擴充套件的“語法違規”。與傳統方法依賴預定義規則或統計閾值不同，Logic-GNN 從臨床資料中自適應學習模式，能夠捕捉複雜的時間互動關係。
研究團隊在 Sina System 資料集上進行了評估，該資料集包含超過200萬條臨床記錄。實驗結果顯示，Logic-GNN 在區分危及生命的醫學異常與資料損壞方面達到了0.94的F1分數，比當前最先進的基線方法高出12%。此外，該框架引入了一種自愈機制：當檢測到“語法違規”時，系統會建議邏輯修正，從而在即時環境中維護資料完整性。這一能力對於HIS的可靠性至關重要，因為及時糾正輸入錯誤可以防止潛在的醫療事故。
Logic-GNN 的核心創新在於將圖神經網路與柯爾莫哥洛夫複雜度結合，從時間序列資料中學習語法規則。透過圖柯爾莫哥洛夫複雜度，系統能夠量化臨床圖的複雜性，並識別出導致描述長度顯著增加的異常模式。該方法不僅在醫療資料清洗領域展現了巨大潛力，也為神經符號學習在現實世界中的應用提供了新思路。未來，研究團隊計劃將該框架擴充套件到金融交易日誌等領域的異常檢測，並進一步最佳化自愈建議的臨床可解釋性。該論文於2026年5月14日提交至arXiv，編號為2605.15242，被認為是機器學習和醫療資訊學交叉領域的重要進展。