EHR2Trace to system przeznaczony do konwersji danych z elektronicznych rejestrów zdrowotnych z różnych źródeł w spójne, śledowalne zdarzenia pacjenta. Problem, który rozwiązuje, jest fundamentalny: elektroniczne rejestry zdrowotne zawierają bogate dane o historii pacjenta, leczeniu i decyzjach klinicznych, ale znaczące różnice w sposobie rejestrowania zdarzeń w różnych systemach uniemożliwiają ich spójne wykorzystanie do trenowania modeli AI i agentów klinicznych.
System oferuje kilka kluczowych innowacji. Po pierwsze, każde zdarzenie jest połączone ze swoimi źródłami dokumentów, co umożliwia audytowanie i weryfikację decyzji konwersji. Po drugie, system precyzyjnie rozdzielza czas zdarzenia od czasu, w którym informacja była dostępna dla personelu klinicznego - to jest krytyczne dla realistycznego trenowania modeli. Po trzecie, rozróżnia działania z lekami na poziomie porządkowania, wydawania i podawania, co pozwala na bardziej dokładne modelowanie. EHR2Trace eksportuje dane w standardowych formatach OMOP i MEDS z zautomatyzowaną walidacją i reprodukowalnymi procesami budowy.
Walidacja na trzech rzeczywistych zbiorach danych klinicznych wykazała możliwości systemu: przetworzył 846,4 miliona zdarzeń, a wszystkie testy zgodności przeszły pozytywnie poza jednym sprawdzeniem jednostek na MIMIC-IV. Ważne jest, że system wykrył wszystkie 28 sztucznie wstrzykniętych błędów, demonstrując zdolność do identyfikacji problemów z jakością danych. Eksperyment predykcyjny pokazał też praktyczną wartość: gdy diagnozom przypisano czas przyjęcia zamiast rzeczywistego czasu odkrycia, wydajność modelu zawyżyła się artefaktualnie, a model wytrenowany na takich zniekształconych danych tracił dokładność podczas wdrażania na rzeczywistych danych.