TheraWorld：用于治疗驱动疾病轨迹模拟的双曲空间医学世界模型

基于摘要分析。该研究面向临床决策支持中的治疗驱动疾病轨迹预测，提出 TheraWorld，利用历史病历和已观测治疗序列，在双曲空间中预测未来化验值及患者状态趋势；主要贡献是将医学概念层级与患者严重程度纳入 LLM 的表示几何。 方法上，作者认为欧氏表示空间难以充分刻画医学概念的层级结构及重症患者快速扩展的状态空间。TheraWorld 在双曲空间中以 LoRA 适配预训练 LLM，并引入双曲一致性约束和严重程度感知的径向正则化，以保持临床结构、使表示几何与患者严重程度对齐。摘要未给出双曲空间的具体参数化、约束公式、严重程度监督来源及预测输出的实现方式，这些细节尚未验证。 数据与结果方面，作者构建了按治疗轮次组织的 EHR 数据集，并在多个模型规模上评估。作者报告，在该评估下 TheraWorld 的最佳平均得分为 72.10，对照 MedGemma-27B 为 67.30、GLM-5.1 为 69.06。摘要未说明得分定义、各任务的汇总方式、数据划分及模型规模对应关系，因此不能将这些数值解读为 Accuracy 或临床效益。作者还报告，学习到的双曲半径反映患者严重程度，并据此主张模型具有几何可解释性；关联强度、统计检验及外部验证尚未验证。 阅读与复现时应核对治疗轮次的定义、预测时间范围、病历及治疗信息的可用时点、患者级数据划分，以及几何约束的消融和严重程度关联的验证方式。基于已观测治疗序列进行预测，并不自动证明模型能够估计未实施治疗的反事实效果。本研究的主要对象是 EHR 疾病轨迹，而非 EEG 解码或 BCI；当前材料未提供具体的神经信号机制对应关系，不据此提出 BCI 迁移结论。实验协议、消融及统计信息尚未验证。