用生成式多模态人体生理模型模拟临床干预

理解人体健康如何随时间变化，以及为何个体对干预的反应各不相同，仍是医学的核心挑战。我们在此提出HealthFormer，一个以生成方式建模人体生理轨迹的decoder-only transformer，其训练数据来自Human Phenotype Project——一个对超过15,000名深度表型个体进行多次随访的队列。我们将每位参与者的健康轨迹token化为横跨七个领域的667项测量：血液生物标志物、身体成分、睡眠生理、连续血糖监测、肠道微生物组、可穿戴设备衍生的生理指标，以及行为与药物暴露。我们训练HealthFormer预测这些领域上的个体生理轨迹，并且从这一单一生成目标出发，一系列临床相关任务都可以表达为对模型的查询。我们表明，无需任务特定训练，HealthFormer即可迁移到四个独立队列，并在30个新发疾病与死亡终点中的27个上改进预测，且在每一次比较中都超过既有临床风险评分。我们进一步表明，该模型能够在计算机中模拟干预：在一项留出的个性化营养试验中，以干预为条件的预测复现了个体六个月的生物标志物变化（例如舒张压的Pearson r = 0.78）。在取自已发表试验的41项随机干预-结局比较中，我们的结果显示预测的效应方向在所有情形下均一致，且预测均值在30种情形下落在报告的95%置信区间内。我们将HealthFormer定位为初步的健康世界模型，预测、风险分层与干预条件模拟均可作为对它的查询而产生，为临床数字孪生奠定基础。