論文の概要: PatientWM: Towards Generalizable Clinical World Models via Unified Patient States

• arxiv url: http://arxiv.org/abs/2610.17059v1
• Date: Mon, 12 Oct 2026 16:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.407376
• Title: PatientWM: Towards Generalizable Clinical World Models via Unified Patient States
• Title（参考訳）: 患者WM : 統一患者状態による総合的臨床世界モデルを目指して
• Abstract要約: 我々は,統合患者状態と逐次潜伏歴に基づいて構築された臨床世界モデルフレームワークであるPatentWMを提案する。 患者WMは、各次の状態の予測を現在の状態に設定し、先行の潜伏患者状態と臨床行動の有界、秩序のある履歴と共に行動を提供した。 MIMIC-III、MIMIC-IV、および3つの外部臨床データセットにわたる実験は、臨床予測、多段階予測、行動計画評価において優れた性能を示した。
• 参考スコア（独自算出の注目度）: 43.610273057353204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical decisions depend on anticipating how a patient's condition will evolve as treatment is adjusted and new evidence becomes available. Existing medical world models capture patient-state evolution, but often define the evolving state around a particular modality or task, limiting reuse as inputs or prediction targets change. These models also retain history through observation sequences or recurrent or latent summaries rather than exposing preceding patient states and clinical actions as an ordered transition context. This distinction matters because similar current measurements may follow different recent changes, treatment exposures, and observed responses. To tackle these limitations, we propose PatientWM, a clinical world-model framework built around a unified patient state and sequential latent history. Availability-aware encoders integrate observations available at each decision time into the patient state, while typed decoders produce task-specific clinical readouts without defining the state around any single target. PatientWM further conditions each next-state prediction on the current state and supplied action together with a bounded, ordered history of preceding latent patient states and clinical actions, preserving recent treatment and response context. Experiments across MIMIC-III, MIMIC-IV, and three external clinical datasets show superior performance in clinical prediction, multi-step forecasting, and action-planning evaluation. Transfer experiments further demonstrate the generalizability of PatientWM's patient state. Together, these results establish its ability to forecast clinical evolution and support planning.
• Abstract（参考訳）: 臨床上の決定は、治療が調整され新しい証拠が手に入るにつれて、患者の状態がどのように進化するかを予測することに依存する。 既存の医療世界モデルは患者の状態の進化を捉えているが、しばしば特定のモダリティやタスクに関する進化状態を定義し、入力や予測ターゲットの変化として再利用を制限する。 これらのモデルはまた、先行する患者の状態や臨床行為を順序付けられた遷移状況として公開するのではなく、観察シーケンスや再発または潜時サマリーを通じて履歴を保持する。 この区別は、同様の測定が最近の異なる変化、治療暴露、観察された反応に従う可能性があるため重要である。 これらの制約に対処するため,患者状態と逐次潜伏歴に基づいて構築された臨床世界モデルフレームワークであるPatentWMを提案する。 アベイラビリティを意識したエンコーダは、各決定時に利用可能な観測結果を患者状態に統合する一方、タイプドデコーダは、単一のターゲットの周囲の状態を定義することなく、タスク固有の臨床読取を生成する。 患者WMはさらに、現在の状態について各次状態の予測を条件にし、先行の潜伏患者状態と臨床行動の有界かつ秩序な履歴と、最近の治療と反応状況を保存するために、アクションを供給した。 MIMIC-III、MIMIC-IV、および3つの外部臨床データセットにわたる実験は、臨床予測、多段階予測、行動計画評価において優れた性能を示した。 転送実験は、さらに、患者WMの患者状態の一般化可能性を示す。 これらの結果は、臨床の発展を予測し、計画を支援する能力を確立している。

関連論文リスト

• Medical world models: representing medical states, modelling clinical dynamics and guiding intervention policies [27.623290398566244]
  診断と治療は、患者の状態が時間とともに進化する動的なプロセスである。 現在の医療AIは病気を検出し、リスクを見積もり、報告を生成することができるが、多くのシステムは依然として静的ラベルやスコアを返す。 本総説では,医学界モデルに向けての診断と予測から医療AIを進化させるロードマップを概説する。
  論文  参考訳（メタデータ） (2026-06-15T13:49:43Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Learning Dynamic Representations and Policies from Multimodal Clinical Time-Series with Informative Missingness [5.351519104745287]
  マルチモーダルな臨床記録のための患者表現学習フレームワークを提案する。 このフレームワークは、構造化データとテキストデータから信号をキャプチャするマルチモーダルエンコーダと、その観測パターンを組み合わせる。 我々はMIMIC-III,MIMIC-IV,eICUのICUセプシスコホートについて検討した。
  論文  参考訳（メタデータ） (2026-04-23T03:07:57Z)
• 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)
• Personalized Event Prediction for Electronic Health Records [7.224184629864593]
  臨床イベントシーケンスは、時間内の患者のケアの記録を表す数百の臨床イベントから構成される。 臨床シーケンスの予測モデルを学ぶ上で重要な課題は、患者固有の多様性である。
  論文  参考訳（メタデータ） (2023-08-21T20:03:16Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。