CareGraph：面向循证个性化纵向健康智能的可审计混合AI框架

人工智能正在改变个性化医疗保健，但碎片化的临床、自我报告和可穿戴证据仍然难以解释和追踪。我们推出了 CareGraph，这是一个可审计的混合人工智能框架，可将异构记录转换为优先趋势、缺失的上下文指标、有界的后续步骤、讨论问题和来源相关的解释。 CareGraph 无需诊断、预测结果、选择治疗或做出自主临床决策即可组织证据。其管道涵盖确定性分析、上下文检测、图形构建、约束语言模型合成、证据验证、安全控制和发布门控。测试使用了每组 400 名患者的合成队列进行开发、验证和保留。在保留数据上，具有充分性门的冻结普通最小二乘趋势规则实现了 0.827 的准确度、0.837 的宏 F1（95% 置信区间为 0.819 到 0.854）以及 0.974 的不足数据 F1。缺失上下文检测达到了 0.815 严格的微 F1，而传统检测器为 0.318。在编写的坚持基准上，安全规则集版本 1.2 实现了 1.000 精度、0.950 召回率和 0.974 F1。一项需要对 80 名患者进行图形检索的审计产生了 79 份综合报告和 78 份没有后备的演示；由于证据密钥无效，一项输出被阻止，一项输出关闭失败。与 56 名匹配患者的整体 GPT 5.6 相比，CareGraph 的速度更快，分别为 40.15 秒和 49.62 秒，较短的单词为 661 比 1,163 秒，并且显示出与纵向目标更好的探索性词汇对齐；基线使用了更少的标记并引用了更多的原始证据。图审计验证出处和确定性检索；增量图对生成的影响需要配对评估。 CareGraph 为智能个性化健康系统提供了安全基础。