学习用于重症监护医疗系统仿真的患者世界模型

设计医疗策略需要在实施前预判其临床和运营后果，而这项任务往往依赖医疗系统仿真。此类仿真需要对患者状态如何演变并产生照护需求进行建模。然而，传统方法通常针对单一策略问题定制紧凑的状态转移模型，并忽略依赖历史的动态变化，因此，当新问题涉及不同的临床信息时，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电子健康记录（EHR）中学习患者世界模型，为患者轨迹提供共享的临床表征，以支持跨场景的仿真问题。以重症监护病房（ICU）运营为例，我们在 MIMIC-IV 上训练模型，随后冻结模型，并通过场景特定的映射，将其可按时间查询的预测与共享的 ICU 日程、资源和队列相耦合，使同一个模型能够在评估 ICU 床位容量、照护调度和 ICU 转出后接收容量的不同仿真中，生成入院需求、照护任务和出院建议。实验表明，在总体床位占用情况以及对容量和调度策略的响应方向上，我们的模型与 Markov 和半 Markov 对照模型表现相当。该模型还复现了通过回放观测轨迹得到的策略收益。对于沿不同既往轨迹进入相同支持状态的患者，学习得到的表征捕捉到了其 24 小时恢复情况的差异（预测值为 -6.4 个百分点，观测值为 -6.7 个百分点）；紧凑状态模型未能捕捉到这一差异，而这一差异会进一步导致仿真中的照护需求、排队负担和床位使用情况各不相同。这些结果表明，学习得到的患者动态世界模型有望替代针对特定问题构建的状态模型，从而只需重新配置场景，无须重建模型，即可评估新的照护策略。