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模拟，提出 TheraWorld：结合历史病历和治疗干预，在双曲潜空间中预测下一治疗轮次的实验室检验值与患者状态趋势。主要贡献是将医学概念层级和患者严重程度引入预训练 LLM 的表示几何，而非研究 EEG 解码或 BCI 控制。 机制方面，作者认为欧氏表示难以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 在双曲空间中使用 LoRA 适配预训练 LLM，并引入双曲一致性与严重程度感知径向正则化，以保持临床结构、使表示几何与患者严重程度对齐。摘要未提供双曲空间的具体参数化、正则项形式、严重程度监督来源及训练和推理流程，这些细节尚未验证。 数据与结果方面，作者构建了以治疗轮次为单位的 EHR 数据集，并在多个模型规模下评估。作者报告，在该评估中 TheraWorld 的最佳平均得分为 72.10，高于所列对照 DeepSeek-V4-Flash 的 68.81 和 GLM-5.1 的 69.06。摘要未说明该平均得分的指标定义、组成任务、数据划分及对照适配条件，因此不能将其解释为 Accuracy 或临床获益，也不能据此进行跨协议比较。作者另报告学习到的双曲半径反映患者严重程度；这一结果支持其表示可解释性的主张，但关联强度、验证方式和适用范围尚未验证。 复现需核对 EHR 数据可用性、患者与治疗轮次划分、干预编码、检验值预测评价、严重程度标注及正则化消融；实验协议、消融及统计信息尚未验证。材料没有给出神经信号建模机制或具体 EEG/BCI 对应关系，因此不提出迁移实验建议；相关 EEG 工作尚未检索确认。