Harvard University（哈佛大学）

Phase 1 Implementation of LLM-generated Discharge Summaries showing high Adoption in a Dutch Academic Hospital

LLM生成的出院小结在荷兰学术医院中的阶段1实施显示高采用率

Nettuno Nadalini, Tarannom Mehri, Anne H Hoekman, Katerina Kagialari, Job N Doornberg, Tom P van der Laan, Jacobien H F Oosterhoff, Rosanne C Schoonbeek, Charlotte M H H T Bootsma-Robroeks

机构 * Department of Health Information Office, Data & Digitalization, University Medical Center（健康信息办公室、数据与数字化化大学医院） ； Department of Trauma Surgery / Orthopedics, University Medical Center（创伤外科/骨科大学医院） ； Department of Orthopaedic Surgery, Massachusetts General Hospital（骨科手术科马萨诸塞总医院） ； Harvard Medical School Orthopaedic Trauma Initiative（哈佛医学院骨创伤倡议） ； Department of Orthopaedic Surgery and Sports Medicine, Amsterdam UMC location University of Amsterdam（骨科手术与运动医学部门，阿姆斯特丹UMC地点大学） ； Department of Orthopaedic Trauma, Flinders University Medical Centre（骨创伤部门，弗林德斯大学医疗中心） ； Department of Otolaryngology – Head and Neck Surgery, University Medical Center（耳鼻喉科-头颈外科大学医院） ； Department of Pediatrics, Pediatrics Nephrology, Beatrix Children’s Hospital, University Medical Center（儿科、儿科肾病学，比西特儿童医院，大学医院） 纠错

AI总结 本研究评估了集成到电子健康记录中的LLM生成出院小结草案的效果，结果显示高采用率和文档时间减少，支持进一步实施。

Comments The methods section is located after the discussion in this manuscript

A multimodal and temporal foundation model for virtual patient representations at healthcare system scale

面向医疗系统规模的多模态与时间基础模型：虚拟患者表示

Andrew Zhang, Tong Ding, Sophia J. Wagner, Caiwei Tian, Ming Y. Lu, Rowland Pettit, Joshua E. Lewis, Alexandre Misrahi, Dandan Mo, Long Phi Le, Faisal Mahmood

机构 * Department of Pathology, Mass General Brigham, Harvard Medical School（病理学系，马萨诸塞州总医院与哈佛医学院） ； Cancer Program, Broad Institute of Harvard and MIT（癌症计划，哈佛-麻省理工Broad研究所） ； Data Science Program, Dana-Farber Cancer Institute（数据科学计划，达纳-法伯癌症研究所） ； Health Sciences and Technology, Harvard-MIT（健康科学与技术，哈佛-麻省理工） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛约翰·A·保罗森工程与应用科学学院，哈佛大学） ； Department of Biomedical Informatics, Harvard Medical School（生物医学信息学系，哈佛医学院） ； Electrical Engineering and Computer Science, Massachusetts Institute of Technology (MIT)（电气工程与计算机科学，麻省理工学院（MIT）） ； School of Computer and Communication Sciences, EPFL, Lausanne, Switzerland（计算机与通信科学学院，EPFL，瑞士洛桑） 纠错

AI总结 本文提出Apollo模型，整合多模态和时间信息，构建虚拟患者表示，用于预测疾病风险、治疗反应等，展示其在医疗计算中的潜力。

UCCL-Zip: Lossless Compression Supercharged GPU Communication

UCCL-Zip: 无损压缩增强的GPU通信

Shuang Ma, Chon Lam Lao, Zhiying Xu, Zhuang Wang, Ziming Mao, Delong Meng, Jia Zhen, Jun Wu, Ion Stoica, Yida Wang, Yang Zhou

机构 * UC Davis（加州大学戴维斯分校） ； Harvard University（哈佛大学） ； Amazon Web Services（亚马逊网络服务） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 UCCL-Zip通过无损压缩提升GPU通信效率，支持点对点和集体通信，无需修改API且保持数值精度，实测加速强化学习权重同步达47.5%。

LLAMADRS: Evaluating Open-Source LLMs on Real Clinical Interviews--To Reason or Not to Reason?

LLAMADRS：在真实临床访谈中评估开源大语言模型——理性推理还是不理性推理？

Gaoussou Youssouf Kebe, Jeffrey M. Girard, Einat Liebenthal, Justin Baker, Fernando De la Torre, Louis-Philippe Morency

机构 * Carnegie Mellon University, School of Computer Science（卡内基梅隆大学计算机学院） ； University of Kansas, Department of Psychology（堪萨斯大学心理学系） ； McLean Hospital, Harvard Medical School（麦肯纳医院哈佛医学院） 纠错

AI总结 本文通过LLAMADRS基准测试，评估了25种开源大语言模型在结构化临床评估中的表现，发现理性推理模型在误差控制上并不总是更优，提示提示设计对模型性能有关键影响。

Human-like Content Analysis for Generative AI with Language-Grounded Sparse Encoders

具有语言基础的稀疏编码的生成AI内容分析

Yiming Tang, Arash Lagzian, Srinivas Anumasa, Qiran Zou, Yingtao Zhu, Ye Zhang, Trang Nguyen, Yih-Chung Tham, Ehsan Adeli, Ching-Yu Cheng, Yilun Du, Dianbo Liu

机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； Stanford University（斯坦福大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出LanSE工具，通过自然语言描述将图像分解为可解释的视觉模式，实现了对生成AI内容的细粒度分析，提升了物理合理性评估并扩展至医学影像领域。

Community-Informed AI Models for Police Accountability

面向警察问责的社区导向AI模型

Benjamin A. T. Graham, Lauren Brown, Georgios Chochlakis, Morteza Dehghani, Raquel Delerme, Brittany Friedman, Ellie Graeden, Preni Golazizian, Rajat Hebbar, Parsa Hejabi, Aditya Kommineni, Mayagüez Salinas, Michael Sierra-Arévalo, Jackson Trager, Nicholas Weller, Shrikanth Narayanan

机构 * Department of Political Science and International Relations, University of Southern California（美国南加州大学政治学与国际关系系） ； School of Public Policy, University of Southern California（美国南加州大学公共政策学院） ； Signal Analysis and Interpretation Laboratory (SAIL), University of Southern California（美国南加州大学信号分析与解释实验室） ； Department of Computer Science, University of Southern California（美国南加州大学计算机科学系） ； Brain and Creativity Institute, University of Southern California（美国南加州大学脑与创造力研究所） ； Department of Sociology, University of Southern California（美国南加州大学社会学系） ； Center for Global Health Science and Security, Georgetown University（乔治城大学全球健康科学与安全中心） ； Department of Electrical and Computer Engineering, University of Southern California（美国南加州大学电气与计算机工程系） ； The Lewis Registry（李氏登记处） ； Department of Sociology, The University of Texas at Austin（德克萨斯大学奥斯汀分校社会学系） ； Department of Psychology, University of Southern California（美国南加州大学心理学系） ； Department of Political Science, University of California Riverside（加州大学河滨分校政治学系） ； Harvard Law School, Harvard University（哈佛大学法学院） 纠错

AI总结 本文提出一种社区导向的多视角AI工具开发方法，通过整合多方观点提升政府问责透明度，以洛杉矶警察局交通停靠记录分析为例展示其应用。

Comments 33 pages, 4 figures, 2 tables