I Riepiloghi Esperti Generati da LLM Migliorano la Predizione di Mortalità in Terapia Intensiva

Uno studio pubblicato su arXiv (2411.16818) valuta un framework multi-rappresentazionale per predire la mortalità ospedaliera (IHM) nei pazienti in terapia intensiva (ICU). Il framework fonde riepiloghi esperti generati da modelli linguistici di grandi dimensioni (LLM) delle note cliniche con dati fisiologici. Utilizzando il database MIMIC-III, lo studio ha analizzato 19.211 prime degenze in ICU con un tasso di mortalità del 12,83%. I ricercatori hanno codificato la fisiologia a 48 ore, le note cliniche e i riepiloghi LLM (generati con un prompt che vietava la prognosi) e poi hanno fuso queste rappresentazioni. Su 3.843 degenze trattenute, la fusione ha raggiunto un AUPRC di 0,4977 e un AUROC di 0,8429, rispetto a 0,3625 e 0,7770 per la sola fisiologia. L'analisi di ridondanza tramite regressione ridge ha mostrato che gli embedding delle note spiegavano il 40,8% della varianza negli embedding dei riepiloghi. Un residuo ortogonale alle note ha mantenuto una minoranza del guadagno (+0,0258 AUPRC), indicando che i riepiloghi forniscono alcune informazioni non ridondanti. Lo studio conclude che i riepiloghi generati da LLM possono migliorare la predizione di mortalità, sebbene gran parte del beneficio si sovrapponga alle note stesse.