追踪心脏：有证据关联的心衰特征工程管线

电子健康记录（EHR）特征工程是临床研究和人工智能领域的一个重大瓶颈，占数据科学家工作量的39-45%。特别是在心力衰竭（HF）中，影响美国670万成年人，并需要整合碎片化的EHR数据与疾病特异性、指南驱动的临床推理相结合。现有的基于规则和大语言模型（LLM）的方法仅提供部分自动化，且维护性和证据可追溯性有限。我们开发了Nimblemind多智能体系统（nMAS），这是一个证据链接、评分基础的自动心力衰竭特征工程管道，并在来自九个EHR源表的500个模拟患者记录上进行了评估。nMAS生成了132个结构化特征和70个按评分量规评分的聚合特征，验证其结构性完整性、评分标准符合性和来源追溯性，并由受限的LLM审计。添加这些综合特征提高了HFrEF（心力衰竭）中的AUROC从0.895到0.963，以及HFpEF（心力衰竭）分类中的AUROC从0.870到0.910，且由独立LLM按评分量规对证据支持和方法合理性进行的评估得分在最大分数点的81.5%。这些结果展示了自动化、可审计的特征工程对于复杂心血管EHR数据的可行性，尽管仅限于单个机构队列，外部验证仍需进行。