ChronoMedicalWorld：用于从纵向护理数据学习患者轨迹的医学世界模型
机器学习
2026-05-22 v1 人工智能
摘要
长期临床模拟——预测患者在特定干预下的生理演变如何演进——是慢性病护理的核心任务，但现有的电子健康记录(EHR)模型主要是判别式的，且通用型大语言模型在反复干预后会出现漂移。我们提出了 \textbf{ChronoMedicalWorld 模型(CMWM)}，这是一个面向从纵向护理数据学习患者轨迹的，基于动作的潜在世界模型框架。CMWM 将联合嵌入状态编码器与宽动作编码器相耦合，后者接受结构化干预指示器和自由文本通信嵌入，并在六项目标下训练循环潜在转换模块：下一个观察值的监督、下一个潜在变量的预测、SIGReg 潜在正则化，以及三种生理学感知的形状先验（斜率、连续性、大跳跃惩罚）。闭环 rollout 前缀协议匹配训练与部署，使模型针对推理时所表现的多步骤误差进行优化。作为具体案例研究，我们为慢性肾病(CKD)中的年评估肾小球滤过率(eGFR)轨迹预测实现了 CMWM。在 2,232 名肾脏病患者的队列中，CKD 实现版本实现了动态 50% 历史滚动测试平均绝对误差(MAE)为 7.384，均方根误差(RMSE)为 10.256，相较于调谐后 GPT-5.5 结构化提示基线的 7.964 和 11.069 (-7.28% MAE, -7.35% RMSE)，其中误差提升主要来自患者--健康教练通信中的对话部分。该框架不限于 CKD：其架构、损失设计和训练协议可适用于任何可表示为定期临床状态交错于结构化和对话性干预的慢性病。
引用
@article{arxiv.2605.21963,
title = {ChronoMedicalWorld: A Medical World Model for Learning Patient Trajectories from Longitudinal Care Data},
author = {Jiangyuan Wang and Xuyong Chen and Junwei He and Xu Xu and Shasha Xie and Fuman Han},
journal= {arXiv preprint arXiv:2605.21963},
year = {2026}
}
备注
14 pages, 2 figures, 6 tables