加州大学旧金山分校科研团队近日成功开发名为HACHI的人机协同框架，旨在解决临床预测模型在实际应用中可解释性差、医生信任度低等难题。该研究成果已发表于npj Digital Medicine期刊。HACHI框架巧妙融合大语言模型的高效数据处理能力与临床专家的临床判断力，通过人在回路机制实现AI与医生的深度协作。在此流程中，AI负责快速筛查海量病历以提取潜在风险因素，临床医生则把关关键指标、排除干扰信号并修正偏差。该框架强调迭代学习，通常仅需三至四轮交互、耗时不足八小时，即可构建出透明可靠的预测模型，将传统数月的研发周期大幅压缩。在针对儿童创伤性脑损伤及成人急性肾损伤的实战测试中，该框架生成的模型在准确性上均显著优于现有常规方法，成功识别出包括既往被忽视指标在内的多重风险因素。研究首席作者Jean Feng博士指出，该架构打破了传统黑盒AI的局限，为医疗AI工具开发提供了标准化新路径。目前团队正推进该模型在真实临床环境中的验证，并计划将其拓展至更多病种，以期加速构建高可靠性、易落地的临床辅助预测系统。