斯坦福 AI Lab 发布 TRACER：床边视频接入住院行为追踪
- 系统定位：TRACER 为多模态系统，输入来源是病房床边视频与电子健康记录（EHR），目标是帮助临床医生理解患者行为在一次住院过程中如何变化，而非给出单次快照式评估。
- 信号组合：系统把连续的视频行为观测与 EHR 中的临床记录放在同一时间轴上对照，让「行为变化」成为可追踪的对象。
- 发布形态：斯坦福 AI Lab 以官方博客形式公开，配套在社交账号发布说明。
- 信息边界：素材仅提供博客入口与一句话摘要，未披露模型规模、训练数据、评测指标、与既有临床量表的一致性，也未说明是否已在真实临床流程中试用或开源。
- 行业观察：病房内的行为评估（活动能力、夜间游走、康复进度）目前主要依赖护士间断记录，采样密度低、个体判断差异大。把床边视频当作持续观测信号、再锚定到 EHR 时间轴上，指向的是「病历之外的连续观测层」。这一路线的难点不在动作识别本身，而在于视频推断如何固化成临床可采信的观测口径，以及由此牵出的隐私、同意与责任边界。