设计医疗策略需要在实施前预估其临床和运营影响，通常依赖健康系统仿真。仿真要求对患者状态的演化及其产生的护理需求进行建模。传统方法往往为单一政策问题定制紧凑的状态转移，并忽略历史依赖性，导致每当出现新问题、需要不同临床信息时必须重新定义状态和转移。我们提出从纵向电子健康记录（EHR）中学习患者世界模型，使用神经网络生成共享的临床轨迹表征，可在不同情景下直接用于仿真问题。以 ICU 运营为例，我们在 MIMIC‑IV 数据上训练模型并冻结，然后通过情景特定的映射，将模型的时间可查询预测接入共享的 ICU 日历、资源和队列，实现一次模型即可渲染入院需求、护理任务和出院建议，支持床位容量、护理调度和 ICU 后转运能力等多种仿真。
实验表明，模型在整体占用率和对容量、调度策略的方向性响应上与马尔可夫和半马尔可夫基线相当，并能复现从观测轨迹回放得到的政策收益。对于从相同支持状态进入但先前轨迹不同的患者，学习到的表征捕捉到 24 小时恢复差异（预测为‑6.4%，观测为‑6.7%），而紧凑状态模型未能发现此差异，进而导致模拟中的护理需求、队列负荷和床位使用出现显著差别。这些结果说明，学习得到的患者动态世界模型有望取代针对特定问题的状态模型，使得在无需重新构建模型的情况下，仅通过情景重配即可评估新护理政策。
点评：本文展示了基于深度学习的患者世界模型在 ICU 仿真中的可行性和优势，突显了历史依赖表征对精准预测和政策评估的重要性。