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

📄 arXiv: 2608.13518v1 📥 PDF

作者: Yunsung Chung, Yingshuo Liu, Abboud F. Hassan, Han Feng, Mary M. Maleckar, Nassir Marrouche, Jihun Hamm

分类: cs.LG, cs.CV

发布日期: 2026-08-13

备注: Medical World Models (MWM) Workshop at MICCAI 2026

💡 一句话要点

提出干预感知临床世界模型以预测心脏病术后结果

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 临床预测 心脏病 术后恢复 动态模型 机器学习 风险评估 影像分析

📋 核心要点

  1. 现有的临床预测模型通常将术后结果简化为从基线到未来终点的一步映射，忽视了恢复过程的复杂性和不确定性。
  2. 本文提出了一种干预感知的临床世界模型，通过时间顺序的术后事件来动态更新患者的潜在状态，考虑了多种影响因素。
  3. 在DECAAF-II数据集上进行的内部交叉验证中，该模型在复发预测方面取得了AUROC 0.756和AUPRC 0.777的成绩，显示出显著的性能提升。

📝 摘要（中文）

许多临床预测模型将术后结果视为从基线测量到未来终点的一步映射。然而，手术后的恢复过程往往呈现不规则轨迹：临床观察、药物变化、重复干预和生理测量是异步记录的，并且可能随时间改变风险评估。我们提出了一种干预感知的临床世界模型，通过时间顺序的术后事件来表示每位患者的结构化潜在状态并进行演变。该模型首先将基线影像编码为三维空间潜在状态，然后利用程序上下文、静态协变量、经过时间和事件生理嵌入更新该状态。随访影像通过潜在预测目标提供训练监督。我们将该框架应用于心房颤动消融术。在90天的恢复窗口中，不规则的术后记录为长期复发风险提供了临床有意义的证据。

🔬 方法详解

问题定义：本文旨在解决现有临床预测模型在术后结果预测中未能考虑恢复过程的动态变化和不规则性的问题。现有方法往往忽视了临床观察和生理测量的异步性，导致风险评估不准确。

核心思路：论文提出的干预感知临床世界模型通过结构化潜在状态来表示患者，并通过时间顺序的术后事件动态更新该状态，能够更好地捕捉术后恢复过程中的变化。

技术框架：该模型的整体架构包括几个主要模块：首先将基线影像编码为三维空间潜在状态，然后结合程序上下文、静态协变量、经过时间和事件生理嵌入来更新潜在状态，最后通过随访影像进行训练监督。

关键创新：最重要的技术创新在于引入了干预感知的动态更新机制，使得模型能够实时反映患者的恢复状态，与传统静态模型相比，能够更准确地评估复发风险。

关键设计：模型的关键设计包括潜在状态的三维编码、时间序列的事件嵌入以及损失函数的设计，确保模型在训练过程中能够有效捕捉到术后变化的动态特征。具体的参数设置和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在DECAAF-II数据集上的实验结果显示，该模型在复发预测方面取得了AUROC 0.756和AUPRC 0.777的成绩，表现优于现有基线方法。此外，模型在不需要随访MRI强度的情况下，达到了2.971个百分点的疤痕范围MAE，显示出其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括心脏病术后管理和个性化医疗，能够为临床医生提供更准确的复发风险评估，从而优化患者的后续治疗方案。未来，该模型的设计理念也可扩展到其他医疗领域，提升术后护理的智能化水平。

📄 摘要（原文）

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.