新しい研究で、研究者たちは長期電子カルテ（EHR）からニューラルネットワークで患者ワールドモデルを学習できることを発見した。このモデルは、滞在初期、治療、退院までの患者経路を一つの共通表現にまとめ、複数のICU（集中治療室）シミュレーションシナリオで使えることが示された。

研究手法は、MIMIC‑IVデータセットを使ってモデルを訓練し、訓練後に固定（freeze）することで再学習を防いだ。 次に、時間問い合わせ可能な予測結果を、シナリオごとのマッピングを通じてICUのカレンダー、リソース、待ち行列と結びつけた。 その結果、単一モデルで入院需要の推定、治療タスクの生成、退院提案などを複数シミュレーションで行うことができる。

実験では、この凍結済みモデルが、タスク適合したマルコフモデルやセミマルコフモデルと比べ、総合的なICU占有率とキャパシティ・ディスパッチ方針への反応が一致した。 さらに、観測された患者経路を再生したときに得られた政策効果も再現可能だった。 特に、同じサポート状態に入る前に異なる経路を辿った患者について、24時間の回復差を予測では‑6.4％点、実際では‑6.7％点と捉えることができ、コンパクト状態モデルでは見落とされがちな差異を捉えた。 この差異は、シミュレーション上の治療需要、待ち行列の負担、ベッド使用率に影響を及ぼす。

しかし、限界もある。 ICUシミュレーターは、MIMIC‑IVが実際の待ち行列ログやスタッフスケジュールを記録していないため、入院流れ、サービス時間、容量などを公開された範囲とシナリオ設計から推定して調整している。 また、モデルは歴史的なケア慣行に基づく条件付き関係を学習しており、因果効果ではない。 したがって、シミュレーションは、観測されたケアパターンの下でキャパシティとディスパッチ方針が入院アクセスや待ち時間、資源利用に与える影響を定量化しているだけで、絶対的な待ち時間予測や他病院への一般化には追加の調整が必要である。

本研究は、リアルなEHRデータから学習した患者ワールドモデルが、複数のヘルスシステムシミュレーションシナリオで共通の臨床表現として機能できることを示した。ただし、その応用には慎重な調整と観測的性質の理解が不可欠である。