EHRWorld：面向长时程临床轨迹的以患者为中心的医学世界模型

摘要

世界模型为模拟干预之下的未来状态提供了规范框架，但在医学这类复杂、高风险的领域实现此类模型仍具挑战。近期的大语言模型（LLM）在静态医学推理任务上表现强劲，由此引出一个问题：它们能否充当动态的医学世界模型，随时间模拟疾病进展与治疗结果。在本工作中，我们表明，仅纳入医学知识的 LLM 难以在序列干预下维持一致的患者状态，导致长时程临床模拟中的误差累积。为解决这一局限，我们提出 EHRWorld，一个在因果序列范式下训练的以患者为中心的医学世界模型，并同时提出 EHRWorld-110K，一个从真实世界电子健康记录衍生的大规模纵向临床数据集。大量评估表明，EHRWorld 显著优于朴素的基于 LLM 的基线，实现更稳定的长时程模拟、对临床敏感事件更好的建模以及更优的推理效率，凸显了在因果扎根、随时间演化的临床数据上训练对于可靠而稳健的医学世界建模的必要性。

EHRWorld：面向长时程临床轨迹的以患者为中心的医学世界模型 — 图1：患者模拟挑战与性能评估概览。上面板和中间面板展示了一个临床场景：基于标准 LLM 的模拟器无法推断隐含的生理状态，或在医疗干预后正确更新患者状态。相比之下，所提出的 EHRWorld 模型保持了逻辑一致性与鲁棒性。下面板给出了八个模拟轮次中氯（Chloride）水平的相对误差轨迹。我们将我们的方法与 GPT-5.2 进行比较，结果表明我们的模型显著抑制了误差传播速率，形成了不断扩大的性能差距，凸显了其在长程模拟中的鲁棒性。