의료 세계 모델: 의료 상태 표현, 임상 역학 모델링 및 개입 정책 안내

Medical world models: representing medical states, modelling clinical dynamics and guiding intervention policies

의료 진단과 치료는 시간이 지남에 따라 환자의 상태가 변화하고 임상적 개입이 미래 결과를 바꾸는 동적인 과정입니다. 현재 의료 AI는 질병을 감지하고 위험을 추정하며 보고서를 생성할 수 있지만, 많은 시스템은 여전히 정적인 레이블이나 점수를 제공하여 질병의 진행 경로나 대체 개입이 어떻게 그 궤적을 변화시킬 수 있는지에 대한 제한적인 통찰력을 제공합니다. 의료 세계 모델은 인공지능에서 영감을 받아 환자 상태 역학의 내부 시뮬레이터를 학습함으로써 의료 분야에 '세계 모델' 개념을 적용합니다. 궁극적으로 이 기술은 임상의가 악화를 예측하고, 치료 방식에 따른 미래 결과를 비교하며, 개별 환자에 맞는 맞춤형 진료를 제공하는 데 도움을 주는 것을 목표로 합니다. 하지만 관련 연구는 기초 모델, 종단적 모델링, 질병 시뮬레이션, 치료 효과 추정, 강화 학습 및 디지털 트윈 등 다양한 분야에 흩어져 있습니다. 이 리뷰에서는 이러한 간극을 해소하기 위해, 격리된 진단 및 예측에서 의료 세계 모델로 발전하는 데 필요한 로드맵을 제시합니다. 이 로드맵은 환자 상태 구성, 임상 역학 모델링 및 개입 의사 결정 지원이라는 세 가지 상호 연결된 기능 중심으로 구성됩니다. 다양한 시스템들을 비교 분석하여 각 기능이 어떤 기여를 하는지, 그리고 부분적인 구성 요소들이 어떻게 더 성숙한 인식-역학-계획 시스템으로 통합될 수 있는지 보여줍니다. 마지막으로, 실현 가능한 시뮬레이션을 임상적으로 유용한 시뮬레이션으로 변환하는 데 관련된 과제를 식별합니다. 관련 문헌은 https://github.com/1999kevin/awesome_medical_world_models 에서 확인할 수 있습니다.

Medical diagnosis and treatment are dynamic processes in which patient states evolve over time and clinical interventions alter future outcomes. Although current medical AI can detect disease, estimate risk and generate reports, many systems still return static labels or scores, offering limited insight into how illness may progress or how alternative interventions may reshape its trajectory. Medical world models adapt the world-model idea from artificial intelligence to healthcare by learning internal simulators of patient-state dynamics. Their long-term goal is to help clinicians anticipate deterioration, compare treatment-conditioned futures and tailor care to individual patients. Yet relevant work remains scattered across foundation models, longitudinal modelling, disease simulation, treatment-effect estimation, reinforcement learning and digital twins. To bridge this gap, this review outlines a roadmap for advancing medical AI from isolated diagnosis and prediction toward medical world models that simulate disease evolution and support intervention decisions. This roadmap is organized around three coupled capabilities: patient-state construction, clinical dynamics modelling and intervention decision support. Across representative systems, the comparison highlights what each capability contributes and how partial components can be integrated into more mature perception--dynamics--planning systems. Finally, we identify the challenges involved in turning plausible rollouts into clinically useful simulators. Related literature is available at https://github.com/1999kevin/awesome_medical_world_models.