심장학 분야에서 수술 후 결과를 예측하기 위한 개입 요인 인지 임상 모델

Intervention-Aware Clinical World Model for Post-Op Outcome Forecasting in Cardiology

많은 임상 예측 모델은 수술 후 결과를 기준 측정값에서 미래의 결과 지표로의 단일 단계 매핑으로 취급합니다. 그러나 시술 후 회복은 종종 불규칙한 경로를 따릅니다. 임상 관찰, 약물 변경, 반복적인 시술 및 생리학적 측정이 비동기적으로 기록되며 시간이 지남에 따라 위험 평가를 변화시킬 수 있습니다. 본 연구에서는 각 환자를 구조화된 잠재 상태로 표현하고, 시술 후 발생하는 사건들을 시간 순서대로 반영하여 진화시키는 개입 요인 인지 임상 모델을 제안합니다. 이 모델은 먼저 기준 영상 데이터를 3차원 공간 잠재 상태로 인코딩합니다. 그런 다음, 절차 관련 정보, 고정 변수, 경과 시간 및 시술 전후의 생리학적 정보를 사용하여 이 상태를 업데이트합니다. 후속 촬영 데이터는 학습 과정에서만 사용되며, 잠재적인 예측 목표를 통해 감독 신호를 제공합니다. 제안하는 프레임워크를 심방세동 절제술에 적용했습니다. 90일 동안의 회복 기간 동안 불규칙한 시술 후 기록은 장기적인 재발 위험에 대한 임상적으로 의미 있는 증거를 제공합니다. DECAAF-II 데이터셋에 대한 반복적인 내부 교차 검증 결과, 제안하는 모델은 재발 예측에서 AUROC 0.756 및 AUPRC 0.777의 성능을 달성했습니다. 또한 추론 과정에서 후속 MRI 강도 데이터를 필요로 하지 않고, 병변 크기 예측에 대한 평균 절대 오차(MAE)는 2.971%p를 보였습니다. 학습된 상태 정보는 다양한 시간 지평에서의 재발 위험 분석 및 과거 데이터 수정(특히 초기 기록)을 지원합니다.

Many clinical prediction models treat post-intervention outcomes as a one-step mapping from baseline measurements to a future endpoint. However, recovery after a procedure often unfolds as an irregular trajectory: clinical observations, medication changes, repeat interventions, and physiological measurements are recorded asynchronously and can change risk assessment over time. We propose an intervention-aware clinical world model that represents each patient with a structured latent state and evolves it through time-ordered post-intervention events. The model first encodes baseline imaging into a 3D spatial latent state. It then updates this state using procedural context, static covariates, elapsed time, and peri-event physiological embeddings. Follow-up imaging provides training-only supervision through a latent forecasting objective. We apply the framework to atrial fibrillation ablation. During the 90-day recovery window, irregular post-procedure records provide clinically meaningful evidence for long-term recurrence risk. In repeated internal cross-validation on DECAAF-II, our model achieves AUROC 0.756 and AUPRC 0.777 for recurrence prediction. It also achieves a scar-extent MAE of 2.971 percentage points without requiring follow-up MRI intensities at inference. The learned state supports recurrence-risk queries at different horizons and retrospective input editing of blanking-period records.