arXiv cs.AI· Yingtai Li, Ruoyan Wang, Yu Li, Shaohua Kevin Zhou·· 11 小时前AI 评分38
基于MIMIC-IV学习患者世界模型，用于ICU医疗系统仿真
Learning a patient world model for health system simulation in intensive care
AI 导读
研究者提出从纵向EHR中学习患者世界模型，用神经网络为患者轨迹提供共享临床表征，以支持跨场景仿真。模型在MIMIC-IV上训练后冻结，通过场景特定映射接入ICU日历、资源与队列，可同时模拟入院需求、护理任务与出院建议。实验显示其在总占用率与政策方向响应上与Markov、半Markov基线相当，并能捕捉紧凑状态模型遗漏的24小时恢复差异（预测-6.4 vs 观测-6.7个百分点）。
正文 · AI 翻译
摘要：设计医疗策略需要在实施前预判其临床与运营后果，这一任务通常依赖卫生系统仿真。此类仿真需要对患者状态如何演变并产生护理需求进行建模。然而，传统方法通常将紧凑的状态转移定制于单一政策问题，并忽略依赖历史的动态，因此当出现需要不同临床信息的新问题时，就需要重新定义状态和转移。我们提出利用神经网络从纵向 EHR 中学习患者世界模型，以提供患者轨迹的共享临床表示，从而服务于跨场景的仿真问题。以 ICU 运营为例，我们在 MIMIC-IV 上训练该模型，将其冻结，并通过场景特定的映射将其可时间查询的预测与共享的 ICU 日历、资源和队列耦合，从而使一个模型在评估 ICU 床位容量、护理调度和 ICU 后转运能力的各类仿真中呈现入院需求、护理任务和出院建议。实验表明，我们的模型在总体占用率以及对容量和调度政策的定向响应方面与马尔可夫和半马尔可夫对照模型相当。它还能复现从回放观测轨迹中得到的政策收益。对于从不同既往轨迹进入同一支持状态的患者，学习到的表示捕捉到 24 小时恢复差异（预测 -6.4 对观测 -6.7 个百分点），这是紧凑状态模型所遗漏的对比，并会传播为不同的模拟护理需求、队列负担和床位使用。这些结果表明，学习到的患者动态世界模型有潜力取代针对特定问题的状态模型，从而通过重新配置场景而无需重建模型来评估新的护理政策。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.08392 [cs.AI] |
| （或 arXiv:2611.08392v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08392 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yingtai Li [查看邮箱]
[v1]
2026 年 11 月 5 日星期四 18:06:42 UTC（1,113 KB）
来源：arXiv cs.AI · arxiv.org