인간 생리학의 생성적 다중 모달 모델을 이용한 임상 개입 시뮬레이션

Simulating clinical interventions with a generative multimodal model of human physiology

인간의 건강이 시간이 지남에 따라 어떻게 변화하는지, 그리고 개입에 대한 반응이 개인마다 왜 다른지에 대한 이해는 의학 분야의 핵심적인 과제입니다. 본 연구에서는 HealthFormer라는 디코더 전용 트랜스포머 모델을 제시합니다. HealthFormer는 인간의 생리학적 변화 과정을 생성적으로 모델링하며, 15,000명 이상의 상세한 정보가 기록된 다기관 코호트 데이터인 Human Phenotype Project 데이터를 사용하여 훈련되었습니다. 각 참가자의 건강 변화 과정을 7가지 영역(혈액 바이오마커, 체성분, 수면 생리학, 연속 혈당 모니터링, 장내 미생물, 웨어러블 기기 기반 생리학 데이터, 행동 및 약물 노출)에 걸쳐 667개의 측정값으로 토큰화합니다. HealthFormer는 이러한 다양한 영역에서 개인의 생리학적 변화 과정을 예측하도록 훈련되며, 이 단일의 생성적 목표를 통해 다양한 임상적으로 관련된 작업을 모델에 대한 질의 형태로 표현할 수 있습니다. HealthFormer는 특정 작업에 대한 훈련 없이도 4개의 독립적인 코호트로 잘 작동하며, 30개의 질병 발생 및 사망 관련 지표 중 27개에서 예측 성능을 향상시켜 기존의 임상 위험 점수보다 우수한 성능을 보였습니다. 또한, 본 모델은 시뮬레이션을 통해 개입 효과를 예측할 수 있습니다. 특정 개인 맞춤형 영양 개입 시험에서, 개입 조건을 고려한 예측 결과는 개인의 6개월 동안의 바이오마커 변화를 정확하게 예측했습니다(예: 이완기 혈압의 Pearson 상관 계수 = 0.78). 발표된 임상 시험에서 추출한 41개의 무작위 개입-결과 비교 분석 결과, 예측된 효과의 방향이 모든 경우 일치했으며, 예측된 평균값이 30건의 경우에 보고된 95% 신뢰 구간 내에 있었습니다. HealthFormer는 초기 건강 모델로서, 예측, 위험 계층화 및 개입 조건에 따른 시뮬레이션을 가능하게 하며, 이는 임상 디지털 트윈의 기반을 제공합니다.

Understanding how human health changes over time, and why responses to interventions vary between individuals, remains a central challenge in medicine. Here we present HealthFormer, a decoder-only transformer that models the human physiological trajectory generatively, by training on data from the Human Phenotype Project, a multi-visit cohort of over 15,000 deeply phenotyped individuals. We tokenise each participant's health trajectory across 667 measurements spanning seven domains: blood biomarkers, body composition, sleep physiology, continuous glucose monitoring, gut microbiome, wearable-derived physiology, and behaviour and medication exposure. We train HealthFormer to forecast individual physiological trajectories across these domains, and from this single generative objective a range of clinically relevant tasks can be expressed as queries on the model. We show that, without task-specific training, HealthFormer transfers to four independent cohorts and improves prediction for 27 of 30 incident-disease and mortality endpoints, exceeding established clinical risk scores in every comparison. We further show that the model can simulate interventions in silico: in a held-out personalised-nutrition trial, intervention-conditioned predictions recover individual six-month biomarker changes (e.g., Pearson r = 0.78 for diastolic blood pressure). Across 41 randomised intervention-outcome comparisons drawn from published trials, our results show that the predicted direction of effect agrees in every case, and the predicted mean falls within the reported 95% confidence interval in 30 cases. We position HealthFormer as an initial health world model, from which forecasting, risk stratification, and intervention-conditioned simulation arise as queries, providing a basis for clinical digital twins.