多病种仿真把道路伤害模块换成生成模型：运行时间提升86.6%，伤残寿命年误差13%

多病种智能体仿真中，一个疾病模块内部的事件链可以整体换成生成模型直接采样结局，仿真其余部分保持不变。 此前的仿真替代模型需要先有一大批仿真输出才能训练，对计算昂贵的模型来说这批样本本身代价过高，而且替代模型并不降低仿真自身的开销。 在Thanzi La Onse模型上，用生成模型替换道路交通事故伤害模块后，50次独立运行的平均CPU运行时间提升86.6%，95%自助法置信区间为[85.2, 88.1]；同一结果的讨论部分另写作最高83%，两处数值不一致。

替换后，按年龄和性别分组的年度伤残调整寿命年（DALYs，一种把早逝与带病生存折算在一起的健康负担指标）分布仍被恢复。 致死性道路伤害的假定发生率只有2%，属于生成器极难捕捉的稀有结局。 各年龄组、两种性别的仿真均值都落在原模型分布的68.2%中心区间之内或边界上，按年龄、性别和年份平均的均值误差为13%。

多病种之间的相互作用没有被这次替换破坏，个体层面的视角得以保留。 若把不同疾病的负担在事后相加，会重复计算同一批人的发病与死亡。 把50岁男性其他死因的死亡率人为提高250倍后，仿真仍复现出该人群道路伤害DALYs的预期下降。

做法是用条件表格生成对抗网络（CTGAN，一种学习表格数据联合分布并直接生成样本的生成模型）在发病时刻一次性采样结局。 原模型要逐个采样症状、就医、资源获取、病情变化和转归等一串随机事件并逐一调度。 训练数据来自53种服务配置场景、每场景1万人，共53万条结局样本；其中43种场景用于训练与样本内验证，10种留作样本外测试。

演示范围是Thanzi La Onse模型中道路交通事故伤害这一个非传染性、事件密集的模块，输出比较基于5万人的模拟人口、10年时段和50次独立运行，服务配置取马拉维现行全部11项道路伤害服务。方法适用于中间状态只影响该智能体后续事件、不影响其他智能体或环境的可分离事件链。

运行时间提升随应用而变，道路伤害是特别有利的测试案例；对传染病，潜伏期结束或治疗启动时点等中间事件可能必须保留，收益会随需保留的事件数下降。条件采样目前靠拒绝采样实现，作者报告在11个条件变量、生成10万样本的基准测试中，无条件生成只需约6%的CPU时间，直接条件采样有望带来额外收益。13%的误差表现为系统性偏高，作者将其归因于致死概率的边际差异，并指出在2%致死率下大致相当于0.26%的致死率偏差。