論文の概要: Learning a patient world model for health system simulation in intensive care

• arxiv url: http://arxiv.org/abs/2611.08392v1
• Date: Thu, 05 Nov 2026 18:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.610929
• Title: Learning a patient world model for health system simulation in intensive care
• Title（参考訳）: 集中治療における医療システムシミュレーションのための患者世界モデル学習
• Abstract要約: 我々は, 患者軌跡の共有的臨床表現を提供するために, ニューラルネットワークを用いて縦 EHR から患者世界モデルを学習する。 実験により,本モデルがマルコフとセミマルコフのコンパレータに一致し,収容能力と配電ポリシーへの指向性について検討した。
• 参考スコア（独自算出の注目度）: 6.313457011919849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing healthcare strategies requires anticipating their clinical and operational consequences before implementation, a task that often relies on health system simulation. Such a simulation necessitates modeling how patient states evolve and generate care demands. However, conventional approaches typically tailor compact state transitions to a single policy question and omit history-dependent dynamics, thus requiring the redefinition of states and transitions when there is a new question that entails different clinical information. We propose to learn a patient world model from longitudinal EHRs using a neural network to provide a shared clinical representation of patient trajectories that can serve simulation questions across scenarios. Taking ICU operations as an example, we train the model on MIMIC-IV, freeze it, and couple its time-queryable predictions to shared ICU calendars, resources, and queues via scenario-specific mappings, so that one model renders admission demand, care tasks, and discharge proposals across simulations evaluating ICU bed capacity, care dispatch, and post-ICU transfer capacity. Experiments show that our model matches Markov and semi-Markov comparators in aggregate occupancy and directional responses to capacity and dispatch policies. It also reproduces policy gains from replayed observed trajectories. For patients entering the same support state from different prior trajectories, the learned representation captures a 24-h recovery difference (-6.4 predicted versus -6.7 observed percentage points), a contrast missed by compact state models, which propagates into distinct simulated care demand, queue burden, and bed use. These results indicate that a learned world model of patient dynamics has the potential to replace question-specific state models, allowing new care policies to be evaluated by reconfiguring the scenario without model rebuilding.
• Abstract（参考訳）: 医療戦略を設計するには、実施前に臨床および手術の結果を予測する必要がある。 このようなシミュレーションは、患者の状態がどのように進化し、ケア要求を生成するかのモデリングを必要とする。 しかし、従来のアプローチは、単一の政策問題へのコンパクトな状態遷移を調整し、履歴に依存したダイナミクスを省略するので、異なる臨床情報を必要とする新しい問題が存在する場合、状態と遷移を再定義する必要がある。 本稿では, 患者軌跡の共有的臨床表現を提供するニューラルネットワークを用いて, 縦 EHR から患者世界モデルを学習し, シナリオ間のシミュレーション質問に役立てることを提案する。 例として、MIMIC-IVでモデルをトレーニングし、それを凍結し、シナリオ固有のマッピングを通じてICUカレンダー、リソース、キューを共有するために、タイムクエリ可能な予測を組み合わせ、ひとつのモデルがICUベッド容量、ケアディスパッチ、ICU後転送容量を評価するシミュレーション全体にわたって、受け入れ要求、ケアタスク、退避提案をレンダリングする。 実験により,本モデルがマルコフとセミマルコフのコンパレータに一致し,収容能力と配電ポリシーへの指向性について検討した。 また、再生された観測軌道からのポリシーゲインを再現する。 異なる先行軌跡から同じ支持状態に入る患者に対して、学習された表現は24時間回復差(6.4の予測値と6.7のパーセンテージポイント)を捉え、コントラストはコンパクトな状態モデルによって欠落し、異なるシミュレートされたケア需要、キューの負担、ベッドの使用へと伝播する。 これらの結果から,患者動態の学習的世界モデルでは,問題固有の状態モデルを置き換える可能性があり,モデル再構築なしにシナリオを再設定することで,新たなケアポリシーを評価することが可能であることが示唆された。

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)
• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• The Patient is not a Moving Document: A World Model Training Paradigm for Longitudinal EHR [3.9541492005870604]
  SMB構造(SMB-Structure)は、次世代予測(SFT)と共同埋め込み予測アーキテクチャ(JEPA)を基盤とした構造化EHRの世界モデルである。 メモリアル・スローン・ケタリング(23,319人,323,000人以上)とINSPECT(19,402人)の2つの大規模コホートで検証を行った。
  論文  参考訳（メタデータ） (2026-01-29T18:49:37Z)
• 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)
• Intensive Care as One Big Sequence Modeling Problem [1.6114012813668932]
  本稿では、患者と医療提供者とのインタラクションをイベントストリームとして表現する、シーケンスモデリングとしてのヘルスケアのパラダイムを提案する。 我々はMIMIC-IVデータセットから一様イベントストリームフォーマットに異種臨床記録を変換したシーケンスモデリングベンチマークMIMIC-SEQを開発した。
  論文  参考訳（メタデータ） (2024-02-27T13:36:55Z)
• 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)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• 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。