CareGraph：面向个性化健康情报的可审计混合 AI 框架

CareGraph 是一个面向个性化健康情报的可审计混合 AI 框架，由研究者在 arXiv 上提出。该框架将分散的临床记录、自我报告与可穿戴设备数据，整合为可追溯的优先趋势、缺失上下文指示、有边界的下一步建议、讨论问题以及带溯源链接的解释。

需要明确的是，CareGraph 只组织证据，不做诊断、不预测结局、不选择治疗方案，也不进行自主临床决策。

框架与处理流程

CareGraph 的处理流程覆盖七个环节：

• 确定性分析（deterministic analysis）
• 上下文检测（context detection）
• 图结构构建（graph construction）
• 受约束的语言模型合成（constrained language model synthesis）
• 证据验证（evidence validation）
• 安全控制（safety controls）
• 发布门控（release gating）

通过图结构组织证据，CareGraph 在生成解释时能够附带溯源链接，便于审计与回溯。

实验设置与基准表现

研究使用合成队列进行开发、验证与 holdout 测试，每组各 400 名患者。在 holdout 数据上：

• 冻结的普通最小二乘趋势规则配合充分性门控（sufficiency gate）达到 0.827 准确率、0.837 宏 F1（95% 置信区间 0.819–0.854）、0.974 的「数据不足」F1。
• 缺失上下文检测在新方案下达到 0.815 严格微 F1，而旧版检测器仅为 0.318。
• 作者构建的 holdout 基准上，安全规则集 v1.2 达到 1.000 精确率、0.950 召回率、0.974 F1。

与单体大模型对比

在 56 名匹配患者上，CareGraph 与单体 GPT 5.6 的对比结果：

• 响应速度：CareGraph 40.15 秒 vs. GPT 5.6 49.62 秒
• 输出长度：661 词 vs. 1,163 词
• 探索性词汇与纵向目标的对齐：CareGraph 更优
• 基线使用更少 token，引用更多原始证据

审计与局限

在 80 名患者的图检索审计中，CareGraph 生成 79 条合成与 78 条展示，未触发回退；1 条输出被拦截，1 条因证据键无效而失败关闭（fail-closed）。图结构对生成质量的增量影响仍需配对评估。

研究者表示，CareGraph 为智能化个性化健康系统提供了一个安全有界（safety-bounded）的基础。