في عالم الرعاية الصحية الحديث، تمثل السجلات الصحية الإلكترونية (EHR) كنزًا من المعلومات التي يمكن أن تسهم في تحسين العلاجات والتنبؤات السريرية. ومع ذلك، تُعاني هذه البيانات من تعقيدات متعددة تنبع من الفواصل الزمنية غير المنتظمة، وتغيّر ترددات القياس، والفراغات الهيكلية الموجودة في السلاسل الزمنية السريرية.

في ظل هذه التحديات، يأتي إطار extbf{FeatEHR-LLM} ليحدث ثورة حقيقية في هذا المجال. يعتمد هذا الإطار على نماذج اللغات الضخمة (Large Language Models) لتوليد ميزات جداولية ذات معنى سريري من بيانات EHR المجمعة بشكل غير منتظم. بدلاً من التعامل مع سجلات المرضى الخام، يكتفي النموذج بالعمل على هياكل البيانات ووصف المهام، مما يضمن الحفاظ على خصوصية المرضى.

يدعم extbf{FeatEHR-LLM} كلًا من توليد الميزات أحادية ومتعددة المتغيرات من خلال آلية حلّ مُعززة، مما يمكّن النموذج من إنتاج شيفرة استخراج ميزات قابلة للتنفيذ تتعامل بشكل صريح مع أنماط الملاحظات غير المتوازنة.

لقد تم تقييم هذا الإطار في ثماني مهام تنبؤ سريري عبر أربعة مجموعات بيانات في وحدة العناية المركزة (ICU)، حيث حقق أعلى متوسط لفائدة المنطقة تحت منحنى الخصائص (AUROC) في 7 من أصل 8 مهام، مع تحسينات تصل إلى 6 نقاط مئوية مقارنة بالمعايير القوية.

رمز الإطار متاح أيضًا على GitHub، مما يتيح للباحثين والمطورين استكشافه والاستفادة منه في تحسين تقنيات استخراج الميزات من السجلات الصحية الإلكترونية.