重症监护排班不必为每个问题重建状态：一个冻结的患者世界模型同时支撑入院、护理与转出仿真
核心概要
重症监护的资源规划长期依赖为单一政策问题手工设定的紧凑状态转移模型，换一个问题就要重新定义状态。一个在MIMIC-IV上训练后冻结的患者世界模型，把不规则电子病历编码为状态—事件序列，并按仿真器请求的任意时间间隔给出预测，再通过场景专属映射接入共享床位与人员队列。在入院、护理派工和转出三类仿真中，它与按任务拟合的马尔可夫和半马尔可夫模型在容量与派工政策的方向性响应上一致，并复现了回放真实轨迹得到的派工收益。
深度剖析
同一套冻结的患者动力学模型可以同时供给入院、护理派工和转出三类运营仿真，换问题只需改外部映射与资源规则，不必重建患者状态空间。 此前的卫生系统仿真通常为单个政策问题手工指定紧凑临床状态、转移和服务机制，状态里没保留的病史就被丢掉，新问题往往要求重新设计状态空间或重新估计转移参数。 在MIMIC-IV的患者级划分上，该模型与按任务拟合的马尔可夫、半马尔可夫模型在扩大床位、急性任务优先派工、扩大转出名额三类情景中对政策方向给出相同判断，并在回放观测轨迹时贴近真实轨迹的派工收益。
模型把患者历史写成稀疏的状态—事件网格，再按仿真器给出的连续时间间隔查询未来临床分布，因此可以在共享事件时钟上推进多个患者。 已有的健康轨迹生成器按事件令牌逐个异步推进单个患者的时间线，无法在共享时钟上把轨迹推进到任意时刻，也难以把临床状态映射为床位和人员需求。 模型在64个状态变量和25类事件构成的临床词表上训练，采用变量轴与时间轴双重注意力，冻结后通过场景专属映射把入院提议变成床位请求、器官支持事件变成护理任务、活体转出提议变成下游服务请求。
紧凑状态会丢掉入径方向这类病史信息，而学习到的表示能区分从无支持升入单器官支持和从双支持降入单器官支持的患者。 按当前支持状态、停留时间和入ICU小时数条件化的马尔可夫与半马尔可夫基线不编码入径方向，对匹配患者给出完全相同的成对轨迹和零终点差异。 在404对匹配的留出患者上，模型给出的升入减降入恢复率差为若干百分点，观测值为若干百分点，这一差异随后传导为不同的护理任务请求、排队负担和占床时间。
启示与展望
演示范围是MIMIC-IV中2008至2022年单一医疗中心的回顾性成人ICU记录，仿真中的到达流、服务时长与容量由文献范围和情景设计设定，而非实测排队日志或排班表；因此结论限于在相同到达、服务与人员规则下比较不同患者轨迹带来的差异。
模型与拟合于观测记录的马尔可夫、半马尔可夫模型一样，学到的是历史诊疗实践下的条件关联而非因果效应，仿真量化的是既定照护模式下容量与派工政策如何影响入院可及性、排队等待和资源利用，而不是延迟照护如何改变患者生存。