論文の概要: EHRWorld: A Patient-Centric Medical World Model for Long-Horizon Clinical Trajectories

• arxiv url: http://arxiv.org/abs/2602.03569v1
• Date: Tue, 03 Feb 2026 14:12:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.504587
• Title: EHRWorld: A Patient-Centric Medical World Model for Long-Horizon Clinical Trajectories
• Title（参考訳）: EHRWorld:長期臨床における患者中心医療世界モデル
• Authors: Linjie Mu, Zhongzhen Huang, Yannian Gu, Shengqian Qin, Shaoting Zhang, Xiaofan Zhang,
• Abstract要約: 近年の大規模言語モデル (LLM) は, 静的な医学的推論タスクにおいて高い性能を発揮している。 臨床知識を取り入れたLCMは,連続的介入による一貫した患者状態の維持に苦慮している。 EHRWorldは、患者中心の医療世界モデルであり、因果的シーケンシャルパラダイムの下で訓練されている。
• 参考スコア（独自算出の注目度）: 16.355665390403654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World models offer a principled framework for simulating future states under interventions, but realizing such models in complex, high-stakes domains like medicine remains challenging. Recent large language models (LLMs) have achieved strong performance on static medical reasoning tasks, raising the question of whether they can function as dynamic medical world models capable of simulating disease progression and treatment outcomes over time. In this work, we show that LLMs only incorporating medical knowledge struggle to maintain consistent patient states under sequential interventions, leading to error accumulation in long-horizon clinical simulation. To address this limitation, we introduce EHRWorld, a patient-centric medical world model trained under a causal sequential paradigm, together with EHRWorld-110K, a large-scale longitudinal clinical dataset derived from real-world electronic health records. Extensive evaluations demonstrate that EHRWorld significantly outperforms naive LLM-based baselines, achieving more stable long-horizon simulation, improved modeling of clinically sensitive events, and favorable reasoning efficiency, highlighting the necessity of training on causally grounded, temporally evolving clinical data for reliable and robust medical world modeling.
• Abstract（参考訳）: 世界モデルは、介入の下で将来の状態をシミュレートするための原則化された枠組みを提供するが、そのようなモデルを医学のような複雑で高度な領域で実現することは依然として困難である。 近年の大規模言語モデル (LLM) は, 静的な医学的推論タスクにおいて, 疾患の進行と治療結果のシミュレーションが可能な動的医学的世界モデルとして機能するかどうかという疑問を提起している。 本研究は, 長期臨床シミュレーションにおいて, LLMが患者状態を連続的に維持する上で, 医療知識を取り入れることだけが困難であることを示し, 誤りの蓄積を招いた。 この制限に対処するために、患者中心の医療世界モデルであるEHRWorldと、実際の電子的健康記録から派生した大規模な経時的臨床データセットであるEHRWorld-110Kを紹介する。 広範囲な評価の結果,ERHWorldは軽快なLDMベースラインを著しく上回り,より安定したロングホライゾン・シミュレーション,臨床的に感受性のあるイベントのモデリングの改善,推論効率の向上,因果的根拠に基づくトレーニングの必要性,信頼性と堅牢性を備えた医療世界モデリングのための時間的発展型臨床データの必要性が示された。

関連論文リスト

• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• High-Fidelity Longitudinal Patient Simulation Using Real-World Data [0.0]
  実世界の臨床記録は、経験的に患者のタイムラインをモデル化するために活用できることを示す。 我々は,患者の歴史を入力として捉え,よりきめ細かな,現実的な将来の軌跡を合成する生成シミュレーターモデルを開発した。
  論文  参考訳（メタデータ） (2026-01-24T05:27:49Z)
• Multi-Stage Patient Role-Playing Framework for Realistic Clinical Interactions [2.1897719729390173]
  中国初の患者シミュレーションデータセット(Ch-PatientSim)を提案する。 患者は5次元のペルソナ構造に基づいてシミュレートされる。 ペルソナクラスの不均衡の問題に対処するため、データセットの一部は、数ショット生成を使用して拡張され、続いて手動検証が行われる。
  論文  参考訳（メタデータ） (2026-01-16T02:34:22Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning [50.16114813279694]
  臨床診断に基づいて将来の疾患状態を視覚的に予測する医用世界モデル(MeWM)を紹介する。 MeWMは、(i)政策モデルとして機能する視覚言語モデルと、(ii)ダイナミックスモデルとして腫瘍生成モデルから構成される。 シミュレーション後腫瘍に対する生存解析を適用した逆ダイナミクスモデルを提案し,治療効果の評価と最適な臨床行動計画の選択を可能にした。
  論文  参考訳（メタデータ） (2025-06-02T23:50:40Z)
• EHRMamba: Towards Generalizable and Scalable Foundation Models for Electronic Health Records [4.540391547020466]
  我々は,Mambaアーキテクチャ上に構築された堅牢な基盤モデルであるEHRMambaを紹介する。 EHRデータに対するMPF(Multitask Prompted Finetuning)の新たなアプローチを導入し,EHRMambaが単一ファインタニングフェーズで複数の臨床タスクを同時に学習できるようにする。 MIMIC-IVデータセットを用いて評価したところ, EHRMambaは6つの主要な臨床課題にまたがって最先端の成績を向上し, EHR予測に優れており, この分野における飛躍的な進歩を示している。
  論文  参考訳（メタデータ） (2024-05-23T13:43:29Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• COPER: Continuous Patient State Perceiver [13.735956129637945]
  本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。 ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。 提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
  論文  参考訳（メタデータ） (2022-08-05T14:32:57Z)
• Generating Synthetic Mixed-type Longitudinal Electronic Health Records for Artificial Intelligent Applications [9.374416143268892]
  EHR-M-GAN (Generative Adversarial Network, GAN) は、EHRデータを合成する。 EHR-M-GANは,141,488名の患者を対象とし,3つの公用集中治療単位データベース上で検証した。
  論文  参考訳（メタデータ） (2021-12-22T17:17:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。