Tracing the Heart: An Evidence-Linked Pipeline for Heart-Failure Feature Engineering· 追踪心脏： hearts-failure 特征工程的证据链接管道
Electronic health record (EHR) feature engineering is a major bottleneck in clinical research and AI, accounting for 39-45% of data scientists' workload. This is especially pronounced in heart failure, which affects an estimated 6.7 million U.S. adults and requires integrating fragmented EHR data with disease-specific, guideline-based clinical reasoning. Existing rule-based and large language model (LLM)-based approaches offer only partial automation with limited maintainability and evidence traceability. We developed the Nimblemind Multi-Agent System (nMAS), an evidence-linked, rubric-grounded pipeline for automated heart-failure feature engineering, and evaluated it on 500 dummy patient records from nine EHR source tables. nMAS generated 132 structured and 70 rubric-scored aggregated fea
开发了证据链接的心衰特征自动工程系统，减少了数据科学家的工作负担。
- 核心方法
- 使用Nimblemind多代理系统（nMAS），通过基于证据链接和评分标准的方法实现心衰特征的自动工程。
- 适合谁读
- 研究者和工程师
- 要解决的问题
- 心衰特征工程在临床研究和AI中面临着高工作量、数据分散和有限自动化的问题。
- 关键实验
- 在500个虚拟患者记录上进行了评估，涵盖了来自九个EHR源表的数据，生成了132个结构化特征和70个评分聚合特征。
- 主要贡献
- 实现了心衰特征的自动化生成，并提供了更好的可维护性和证据可追溯性。
- 意义与局限
- 该方法有助于加速心衰相关AI研究，减少数据预处理时间，但可能需要进一步的临床验证。