使用动作条件世界模型从电子健康记录预测患者轨迹

摘要

arXiv:2610.23862v1 Announce Type: new Abstract: We introduce a predictive world model for electronic health records (EHR) that represents patient histories as action conditioned latent trajectories. R...

and action EHR that patient latent clinical the predictive conditioned

2026-10-20 1 阅读约1分钟阅读 Simon A. Lee, Jiahang Hank Sha, Soomin Chung, Kai Akamatsu, Eran Halperin, Jeffrey N. Chiang

arXiv:2610.23862v1 公告类型：新摘要：我们引入了电子健康记录 (EHR) 的预测世界模型，该模型将患者历史表示为行动条件潜在轨迹。我们的框架不是仅仅通过自回归标记预测来建模临床事件，而是明确地将患者状态与观察到的临床行为分开，并通过状态和行为条件转换算子来学习它们的演变。其核心是状态相关的线性化预测器，它传播潜在患者状态的局部变化，从而实现时间分辨预测、多步推出和动作条件模拟。根据经验，我们表明生成的潜在轨迹保留了编码器导出的表示中存在的下游预测信号、时间结构和子组级别的统计关系。我们进一步将自由运行的推出解码到原始临床特征空间中，并使用任务匹配的预测基线根据观察值评估未来的临床测量结果，证明学习的动态保留了超出潜在空间一致性的预测信息。在二元分类和事件发生时间任务中，EHR WM 相对于更大的 EHR 基础模型，在使用小 30 倍的参数足迹的同时，实现了具有竞争力（尽管依赖于任务）的性能。最后，扰动观察到的动作序列会在生成的轨迹中产生相应的变化，从而证明所学习的动力学的动作敏感性。总之，这些结果支持世界建模作为补充框架，用于从纵向 EHR 中学习患者演变的明确的、时间索引的表示。

订阅66必读