[Paper] Health+: 通过统一健康数据赋能个人

Source: arXiv - 2602.19319v1

概览

Health+ 是一个前瞻性的原型，颠覆了当前的医疗保健数据模型：它不是让机构囤积碎片化的医疗记录，而是将主导权交给个人。通过让用户在直观的界面中上传、查询和共享文本、图像及其他形式的健康信息，Health+ 旨在使个人健康数据既可用又能保护隐私。

关键贡献

• 统一多模态仓库 – 一个单一后端，以支持快速跨模态查询的格式存储异构健康制品（实验室 PDF、放射影像、可穿戴日志、医生笔记）。
• 以用户为中心的交互层 – 低代码 UI 小部件和自然语言查询助手，使非技术用户能够检索特定数据点（例如，“显示我去年胆固醇的趋势”）。
• 智能推荐引擎 – 基于上下文的共享建议（例如，自动向新心脏科医生提供最近的心电图），同时遵守同意政策。
• 隐私即设计架构 – 端到端加密、基于属性的访问控制和审计日志，为用户提供对谁可以查看何种信息的细粒度控制。
• 可扩展集成管道 – 为常见健康标准（HL7 FHIR、DICOM、CSV）提供即插即用适配器，自动将进入的记录规范化到统一存储中。

方法论

作者构建了一个由三层组成的原型堆栈：

1. Ingestion & Normalization – 开源适配器解析传入的文件（PDF、DICOM、JSON），并将其映射到存储在图数据库（Neo4j）中的通用模式，同时使用向量嵌入进行相似性搜索。
2. Secure Data Store – 所有记录在静止时均使用每用户密钥加密。基于属性的加密（ABE）强制执行细粒度策略（例如，“研究人员可以查看匿名化的实验室结果，但不能查看影像数据”）。
3. Interaction & Recommendation – 轻量前端（React + TypeScript）与后端 AI 服务（在健康特定意图上微调的 GPT‑style 大语言模型）通信，该服务将自然语言查询转换为图遍历和向量搜索。推荐引擎运行基于规则的策略引擎以及协同过滤模型，从同意日志中学习共享模式。

该系统通过一系列可用性研讨会进行评估，研讨会包括 15 名参与者（患者、临床医生和开发者混合），并在合成健康数据集（约 1 百万条记录）上进行性能基准测试。

结果与发现

研讨会显示，参与者能够检索特定的健康信息（例如“最近的 MRI 报告”），无需在多个门户之间切换，并且他们对同意 UI 足够信任，能够现场将数据共享给新的专科医生。

实际影响

• 针对构建健康技术应用的开发者 – Health+ 展示了一种可重用的多模态数据摄取模式（FHIR + DICOM 适配器），以及在不暴露原始 PHI 的情况下集成 LLM 驱动查询层的蓝图。
• 针对面向患者的平台 – 同意 UI 和审计日志可以直接嵌入现有患者门户，为用户提供透明的数据共享控制，可能降低 HIPAA/GDPR 下的法律风险。
• 针对研究数据市场 – 基于属性的加密模型实现了“隐私保护的数据许可”，研究人员可以请求匿名子集，系统会自动强制执行同意。
• 针对互操作性倡议 – 通过规范化为图数据库 + 向量存储，Health+ 绕过了单一规范模式的需求，使其更容易接入地区健康信息交换（HIE）。

限制与未来工作

• Prototype scope – 已在合成数据和小规模用户群上进行测试；实际部署需要处理数量级更大的数据量并满足更严格的监管审计。
• LLM reliability – 自然语言解析有时会误解医学术语，表明需要进行领域特定的微调以及备用的关键词解析器。
• Consent complexity – 规则引擎覆盖了基本的“共享/不共享”策略；更细致的情形（有时限的同意、目的限定的共享）仍需建模。
• Integration overhead – 虽然已有针对常见标准的适配器，但接入传统 EMR 系统仍可能需要定制的 ETL 流程。

Future work outlined by the authors includes scaling the backend to billions of records, extending the recommendation engine with federated learning for cross‑institutional insights, and conducting longitudinal studies to measure health outcomes when patients actively manage their data.

作者

• Sujaya Maiyya
• Shantanu Sharma
• Avinash Kumar

论文信息

• arXiv ID: 2602.19319v1
• 分类: cs.MM, cs.AI, cs.CR, cs.DB, cs.DC
• 出版日期: 2026年2月22日
• PDF: Download PDF