EHRWorld: 장기 임상 궤적을 위한 환자 중심 의료 월드 모델

EHRWorld: A Patient-Centric Medical World Model for Long-Horizon Clinical Trajectories

월드 모델(World model)은 개입에 따른 미래 상태를 시뮬레이션하기 위한 원칙적인 프레임워크를 제공하지만, 의료와 같이 복잡하고 중대한 영역에서 이러한 모델을 구현하는 것은 여전히 어려운 과제입니다. 최근 대규모 언어 모델(LLM)이 정적인 의료 추론 작업에서 강력한 성능을 달성함에 따라, 이들이 질병의 진행과 치료 결과를 시간에 따라 시뮬레이션할 수 있는 동적인 의료 월드 모델로서 기능할 수 있을지에 대한 의문이 제기되고 있습니다. 본 연구에서는 의료 지식만을 포함한 LLM은 순차적인 개입 상황에서 일관된 환자 상태를 유지하는 데 어려움을 겪으며, 이로 인해 장기 임상 시뮬레이션에서 오류가 누적된다는 점을 보여줍니다. 이러한 한계를 해결하기 위해, 우리는 인과적 순차 패러다임(causal sequential paradigm) 하에서 훈련된 환자 중심 의료 월드 모델인 EHRWorld와 실제 전자의무기록에서 추출한 대규모 종단 임상 데이터셋인 EHRWorld-110K를 소개합니다. 광범위한 평가를 통해 EHRWorld가 단순한 LLM 기반 베이스라인보다 성능이 월등히 뛰어나며, 더 안정적인 장기 시뮬레이션, 임상적으로 민감한 사건에 대한 모델링 개선, 그리고 우수한 추론 효율성을 달성함을 입증했습니다. 이는 신뢰할 수 있고 견고한 의료 월드 모델링을 위해서는 인과 관계에 기반하고 시간에 따라 진화하는 임상 데이터에 대한 훈련이 필수적임을 강조합니다.

World models offer a principled framework for simulating future states under interventions, but realizing such models in complex, high-stakes domains like medicine remains challenging. Recent large language models (LLMs) have achieved strong performance on static medical reasoning tasks, raising the question of whether they can function as dynamic medical world models capable of simulating disease progression and treatment outcomes over time. In this work, we show that LLMs only incorporating medical knowledge struggle to maintain consistent patient states under sequential interventions, leading to error accumulation in long-horizon clinical simulation. To address this limitation, we introduce EHRWorld, a patient-centric medical world model trained under a causal sequential paradigm, together with EHRWorld-110K, a large-scale longitudinal clinical dataset derived from real-world electronic health records. Extensive evaluations demonstrate that EHRWorld significantly outperforms naive LLM-based baselines, achieving more stable long-horizon simulation, improved modeling of clinically sensitive events, and favorable reasoning efficiency, highlighting the necessity of training on causally grounded, temporally evolving clinical data for reliable and robust medical world modeling.