福尔赛-英格兰：开发国家级电子健康记录生成式AI模型用于疫情期间医疗事件预测

Foresight-England是首个国家级电子健康记录生成式基础模型，参数规模2.43亿，在NHS England安全数据环境中从头训练，覆盖约6100万人的去标识化纵向EHR数据，时间跨2018年11月至2022年12月。该模型以自回归方式预测患者的下一个医疗事件，支持零样本推理，并已用于评估COVID-19疫情的直接和间接影响。

此前没有国家级规模的EHR生成式基础模型，该模型首次在NHS安全环境中训练并覆盖6100万人，实现了零样本预测约40,000个医学代码，且保留了ICD-10、OPCS-4和SNOMED CT的临床粒度。这为医疗预测建模提供了新范式，可能影响未来临床决策支持系统的构建方式。

基于Transformer解码器架构，自回归建模患者时间线，预测给定病史后的下一个医疗事件。分词方案联合表示绝对和相对时间，保留临床代码的粒度。训练和评估在安全环境中完成，90%数据用于训练，10%用于评估，并测试了2023年未见数据的泛化能力，与逻辑回归和XGBoost进行基准比较。

对于医疗AI产品研发，该模型展示了在敏感临床数据上训练大规模生成模型的技术可行性，零样本推理降低任务定制成本，但NHS England已暂停数据访问，可能推迟后续开发和应用。对现有医疗预测工具，该模型可能提升预测精度，但需考虑数据隐私和合规要求。

• 开发基于零样本EHR生成模型的通用医疗事件预测API，供研究机构使用。
• 与NHS合作设计合规的联邦学习方案，以在数据暂停期间继续模型迭代。
• 构建面向特定疾病（如COVID-19）的预测模块，集成到现有临床决策支持系统中。
• 针对2023年泛化能力验证结果，优化模型对时间漂移的适应性。

• NHS England暂停数据访问的具体原因和恢复时间未知。
• 模型在2023年未见数据上的具体性能表现未被披露。
• 模型对边缘群体的公平性评估是否充分未明确。
• 训练和推理的计算成本与基础设施要求未公开。