[論文レビュー] High-Fidelity Longitudinal Patient Simulation Using Real-World Data

Yu Akagi, Tomohisa Seki+4 more|arXiv (Cornell University)|Jan 24, 2026

Machine Learning in Healthcare被引用数 0

ひとこと要約

この論文は、実世界の臨床記録2400万件以上で訓練された生成的シミュレータを用い、 History から現実的な将来の患者経過を合成し、イベント発生率・検査結果・時間的ダイナミクスの忠実度を高く達成し、 observed-to-expected 比がほぼ 1.0 に近いことを示す。

ABSTRACT

Simulation is a powerful tool for exploring uncertainty. Its potential in clinical medicine is transformative and includes personalized treatment planning and virtual clinical trials. However, simulating patient trajectories is challenging because of complex biological and sociocultural influences. Here, we show that real-world clinical records can be leveraged to empirically model patient timelines. We developed a generative simulator model that takes a patient's history as input and synthesizes fine-grained, realistic future trajectories. The model was pretrained on more than 200 million clinical records. It produced high-fidelity future timelines, closely matching event occurrence rates, laboratory test results, and temporal dynamics in real patient future data. It also accurately estimated future event probabilities, with observed-to-expected ratios consistently near 1.0 across diverse outcomes and time horizons. Our results reveal the untapped value of real-world data in electronic health records and introduce a scalable framework for in silico modeling of clinical care.

研究の動機と目的

• 臨床意思決定支援と仮想試験における正確な長期的患者シミュレーションの必要性を動機付ける。
• 実世界の電子カルテデータを活用して患者タイムラインを経験的にモデリングする。
• 患者の履歴から微細な将来の経過を合成できる事前学習済み生成モデルを開発する。
• 複数のアウトカムと horizons にわたってsyntheticなタイムラインを実データと比較して高忠実度を示す。

提案手法

• 200百万件を超える臨床記録で生成的シミュレータを事前学習する。
• 患者の過去データを入力して、将来のタイムラインを細かな粒度で合成する。
• 事象発生率や検査結果を含む時間的ダイナミクスをモデル化する。
• 合成タイムラインの忠実度を将来の実世界データと比較して評価する。
• アウトカムと horizons で観測値と期待値の比を評価し、将来イベントの確率を推定する。

実験結果

リサーチクエスチョン

• RQ1 実世界のEHRデータを用いて、与えられた履歴から現実的な長期的患者タイムラインを経験的にモデリング・生成できるか。
• RQ2 合成された将来イベントと検査結果は、観測された実世界の未来とどの程度一致するか。
• RQ3 モデルによって推定された将来イベントの確率は、多様なアウトカムと時間の horizons にわたり校正されているか。
• RQ4 このフレームワークは広範な臨床設定と異なるデータ豊富さのレベルにスケール可能か。

主な発見

• シミュレータは、イベント発生率と検査結果の忠実度が高い将来タイムラインを生成する。
• モデルは患者経過の時間的ダイナミクスを現実的に捉える。
• 推定された将来イベントの確率は、観測値と期待値の比が多様なアウトカムと時間 horizons において一貫してほぼ1.0である。
• 実世界データが臨床ケアのインシリコモデリングに潜在する価値を示す。
• このフレームワークは仮想試験や計画のための合成長期的患者データを生成するスケーラブルな方法を提供する。