研究发布EDSim-Bench闭环评估急诊轨迹模拟器
原文标题：What Next-Event Accuracy Cannot See: Closed-Loop Evaluation of Emergency Department Trajectory Simulators
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究提出 EDSim-Bench，基于 42.5 万条 MIMIC-IV-ED 就诊记录评估临床轨迹模拟器在自回归生成中的误差累积问题。结果显示，尽管下一事件准确率差异在 0.001 以内，三种神经架构在 rollout 下表现迥异，终止分数从 0.43 到 0.96 不等。作者指出下一事件准确率不足以评估此类模拟器，需采用闭环评估。
- 问题
- 临床轨迹模拟器只用下一事件准确率评估，无法反映自回归生成中的误差累积。
- 方法
- 构建 EDSim-Bench，基于 42.5 万条 MIMIC-IV-ED 记录做闭环 rollout 评估，覆盖终止、事件构成、时序等维度。
- 结果
- 下一事件准确率差异在 0.001 内，但三种神经架构终止分数从 0.43 到 0.96 不等。
- 影响
- 做临床模拟或序列生成评估的团队应改用闭环指标，单看下一事件准确率会严重误判模型可靠性。
深读 · 结论先行AI 生成展开看要点与影响 ↓
EDSim-Bench用42.5万条急诊记录证明：下一事件准确率差0.001内，rollout终止分数却从0.43到0.96。
- •基于425,028条MIMIC-IV-ED就诊记录，并在MC-MED上做外部复现，公开评估协议与评分代码
- •从留出就诊前缀出发让模型自回归生成剩余轨迹，评估终止、事件构成、时序、条件保真与占用预测
- •三种神经架构下一事件准确率差异在0.001以内，但rollout下终止分数跨种子从0.43到0.96，发散度达n-gram基线的4.2至137倍
- •无前缀训练的神经模型在终止与事件构成上均未接近order-3 n-gram基线；推理期干预改善终止但未同时恢复构成与时序
- •监督每个可用序列位置而非仅前缀末位，Transformer/GRU/LSTM发散度低一至两个数量级
为什么重要：临床轨迹模拟器若只用下一事件准确率评估会严重高估能力，该基准提示闭环rollout评估应成为此类模型的标准做法。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。