Neue Weltmodelle revolutionieren klinische Vorhersagen und Planung
In der Medizin wird zunehmend nach KI-Lösungen gesucht, die nicht nur vorhersagen, sondern auch zuverlässig und dateneffizient arbeiten. Traditionelle generative Modelle stoßen dabei an ihre Grenzen, weil sie weder die physikalische Struktur noch die zeitliche Logik von klinischen Abläufen erfassen. Weltmodelle bieten hier einen vielversprechenden Ansatz: Sie lernen multimodale, zeitlich kohärente und auf Aktionen konditionierte Repräsentationen, die die physikalische und kausale Struktur der Versorgung widerspiegeln.
Die vorliegende Arbeit gibt einen Überblick über aktuelle Weltmodelle in drei zentralen Bereichen der Gesundheitsversorgung. In der Bildgebung und Diagnostik werden langfristige Tumorsimulationen, Projektions‑und Übergangsmodelle sowie JEPA‑ähnliche Lernarchitekturen vorgestellt. Für die Modellierung der Krankheitsprogression aus elektronischen Gesundheitsakten werden generative Ereignisprognosen in großem Maßstab diskutiert. Im Bereich der robotergestützten Chirurgie ermöglichen action‑conditioned Modelle präzise Leitungen und Steuerungen für operative Planungen.
Zur Bewertung der Fähigkeiten wird ein vierstufiges Rubrik-System eingeführt: L1 für zeitliche Vorhersagen, L2 für action‑conditioned Vorhersagen, L3 für counterfactual Rollouts zur Entscheidungsunterstützung und L4 für Planung und Kontrolle. Die meisten untersuchten Systeme erreichen die Stufen L1 und L2, während L3 seltener und L4 noch rar vorkommt. Die Autoren identifizieren zentrale Lücken, die die klinische Zuverlässigkeit einschränken: ungenaue Aktionsräume und Sicherheitsbeschränkungen, schwache interventional validation, unvollständige multimodale Zustandskonstruktion und begrenzte Unsicherheitskalibrierung auf Trajektorienebene.