ChronoMedicalWorld：一种从纵向护理数据学习患者轨迹的医学世界模型

arXiv 2026 55 method, application

TLDR

一种用于从EHR数据预测患者轨迹的医学世界模型，采用动作条件潜在动力学，并在CKD eGFR预测上评估。

评分理由

The paper introduces a novel world model framework tailored to longitudinal clinical data, with a strong empirical evaluation on a real-world CKD cohort and a clear improvement over a GPT baseline. However, the abstract focuses on a single disease and does not discuss generalization to other conditions or limitations of the approach.

Read-first 评分解释

综合优先阅读分 55，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 45。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

83.1

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.83051346

主题相关性 29%

64.3

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：340。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

world simulator

model-based reinforcement learning world model

video world model

深度分析

创新点

用于从纵向护理数据学习患者轨迹的动作条件潜在世界模型框架
联合嵌入状态编码器与宽动作编码器，可接受结构化干预指标和自由文本通信嵌入
六项目标函数，结合下一观测监督、下一潜在预测、SIGReg潜在正则化以及三个生理感知形状先验（斜率、连续性、大跳跃惩罚）
闭环展开前缀协议，使训练与部署匹配，针对多步误差进行优化
框架非CKD特定；适用于任何可表示为周期性临床状态并穿插结构和对话干预的慢性疾病

方法

CMWM将联合嵌入状态编码器与宽动作编码器（结构化指标和自由文本嵌入）结合，并在六项目标函数下训练循环潜在转换模块。闭环展开前缀协议使训练与部署对齐。CKD实例在2,232名患者的肾脏病队列上评估，使用MAE和RMSE与调优的GPT-5.5结构化提示基线进行比较。

关键结果

在CKD案例研究中，CMWM实现了动态50%历史展开测试MAE为7.384，RMSE为10.256，优于GPT-5.5基线（MAE 7.964，RMSE 11.069），分别降低-7.28%和-7.35%，增益主要由患者-健康教练沟通的对话部分主导。

资源

论文