[论文解读] VitalDiagnosis: AI-Driven Ecosystem for 24/7 Vital Monitoring and Chronic Disease Management

Zhikai Xue, Tianqianjin Lin+5 more|arXiv (Cornell University)|Jan 22, 2026

Machine Learning in Healthcare被引用 0

一句话总结

VitalDiagnosis 引入一个由LLM驱动的生态系统，将可穿戴数据与统一内存核心结合，实现通过实时分诊和日常遵从支持的前瞻性、互动式慢性病管理。

ABSTRACT

Chronic diseases have become the leading cause of death worldwide, a challenge intensified by strained medical resources and an aging population. Individually, patients often struggle to interpret early signs of deterioration or maintain adherence to care plans. In this paper, we introduce VitalDiagnosis, an LLM-driven ecosystem designed to shift chronic disease management from passive monitoring to proactive, interactive engagement. By integrating continuous data from wearable devices with the reasoning capabilities of LLMs, the system addresses both acute health anomalies and routine adherence. It analyzes triggers through context-aware inquiries, produces provisional insights within a collaborative patient-clinician workflow, and offers personalized guidance. This approach aims to promote a more proactive and cooperative care paradigm, with the potential to enhance patient self-management and reduce avoidable clinical workload.

研究动机与目标

• 通过主动参与而非被动监测，应对慢性疾病负担上升的问题。
• 创建一个互动的患者–临床医生工作流，以便对异常情况进行情境化分析并支持遵从性。
• 利用记忆增强架构保持临床上下文并个性化指导。
• 展示一个双轨框架，用于对离群点进行实时分诊和主动日常管理。

提出的方法

• 引入 Unified Memory Core 架构，将中央 Memory MiniLLM 与持久医疗知识及通过 LoRA 的参数化记忆结合起来。
• 使用轻量级 Monitoring MiniLLM（1.7B）把多模态可穿戴数据转化为临床医生可读的叙述。
• 实现一个 Event Trigger Detector，利用基于规则的阈值和模型推理来识别异常和日常检查。
• 操作一个 Domain LLM（14B），通过 LoRA 进行适配，以开展面向离群点和日常管理的情境感知临床询问。
• 生成初步临床回应并执行分级审批工作流，高风险项需要审阅。
• 通过 Dual-Channel Coordinator 协调沟通，更新记忆中所有互动和结果。

Figure 1: The framework and interfaces of the VitalDiagnosis ecosystem.

实验结果

研究问题

• RQ1 如何将可穿戴设备与基于LLM 的推理有效整合，以支持慢性病的前瞻性管理？
• RQ2 双轨框架（互动分诊与主动遵从）是否能提高患者自我管理并降低临床医生工作负荷？
• RQ3 哪种记忆架构（Memory MiniLLM 加 LoRA 基于的参数记忆）最能随时间维持临床上下文以实现个性化指导？
• RQ4 在训练和验证此类生态系统时，临床医生标注数据集扮演何种角色？
• RQ5 在与医疗机构开展的真实世界试点中，提出的工作流表现如何？

主要发现

• 本文提出 VitalDiagnosis 作为一个用于前瞻性慢性病护理的专业化LLM生态系统。
• 它描述了一个统一的内存核心，通过 Memory MiniLLM 和 LoRA 模块将医学知识与患者数据融合。
• 它概述了一个双轨工作流：对异常进行互动分诊和对日常遵从监测的主动性管理。
• 它规定了一个多组件管道，包括 Monitoring MiniLLM、Event Trigger Detector、用于查询的 Domain LLM、初步决策者以及 Dual-Channel Coordinator。
• 它指出正在进行的试点研究以及公开发布临床医生标注数据集的计划。