JaxGo

摘要： Ambient Scribe 的链路不复杂：诊室录音，ASR 转写，LLM 按 SOAP 或院内模板生成病历草稿。演示时容易关注“写得像不像”，真正接入 EHR 后，系统更该追问：这句话从哪里来，谁看过，谁改过，谁确认过。 如果只落一份 final note，后续追溯会很困难。比如“胸痛缓解”是患者 阅读全文

摘要： 医疗 AI Agent 的演示通常不难做：读取病程记录、查询 EHR、调用药物知识库、生成摘要、给出随访提醒。但进入医院信息系统评审时，问题会落到工程边界：能读哪些字段？能不能写回？写入草稿还是正式记录？谁确认？写错后如何撤回？几个月后能否还原当时的输入、来源和操作路径？ 因此，接入 EHR 前不要 阅读全文

摘要： 药物知识库 API 返回 no result，不能直接写成“无风险”。 在处方审核 Agent 里，接口 200、JSON 合法、延迟正常，只能说明工具调用成功。它不能证明药名已经标准化，不能证明知识库覆盖完整，也不能证明本院规则和患者上下文都参与了判断。医生端如果看到“未发现相互作用风险”，而底层 阅读全文

摘要： 在 EHR 问答里，“患者现在还在吃某药吗”不适合直接按普通文档 RAG 做。病历 note 里常见“长期口服”“需监测 INR”这类句子，但它可能来自很久以前的记录。只做切片、embedding、相似度召回，再交给 LLM 总结，旧药很容易被写进“当前用药”。 一个构造样例： Medication 阅读全文

摘要： 普通关键词检索适合明确问题，比如找某个疾病、某个模型、某个指标。复杂科研问题麻烦在限定条件多：时间范围、研究对象、任务类型、论文类型、评价方式，经常混在一句自然语言里。 这时让 AI 直接生成报告，风险不在“写得不好”，而在候选文献池一开始就偏了。报告越顺，越容易掩盖漏检、误召回和来源不清。 图1： 阅读全文