用于解释 ICU 死亡率预测的独立法学硕士和预先指定的代理管道：eICU 演示数据集的可行性研究

摘要

arXiv:2608.26109v1 Announce Type: new Abstract: Machine-learning models can predict ICU mortality accurately, but feature-attribution methods alone rarely provide the clinical narrative needed for bed...

the and versus agentic higher explanation standalone with models ICU

2026-08-28 1 阅读约1分钟阅读 Di Zhu, Chen Xie, Haoyun Zhang, Zihan Wei, Ziwei Wang, Jiazhao Shi, Ziyu Wang, Qiyang Xie

arXiv:2608.26109v1 公告类型：新摘要：机器学习模型可以准确预测 ICU 死亡率，但单独的特征归因方法很少提供床边使用所需的临床叙述。大型语言模型（LLM）可以弥补这一差距，而多步骤代理管道是一种合理的扩展，因为它们将数据解释、指南检查和最终解释分开。这项修订后的可行性研究保留了最初的独立与代理比较，同时使主要临床发现更加明确。使用保留的本地 eICU 演示工件集（2,353 名 ICU 住院患者；8.1\% 死亡率），XGBoost 的 AUROC 为 0.855 (95\% CI 0.796--0.906)，AUPRC 为 0.332 (95\% CI 0.217--0.494)。在分层的 38 个案例解释子集中，独立法学硕士产生了 1 个具有明确结果泄漏的解释，而四步代理管道则没有产生任何解释。在与 SHAP 审查子集重叠的 14 个案例中，独立的 LLM 显示出更高的 SHAP 对齐（平均 Jaccard 0.171 与 0.077）和更高的方向一致性（92.9\% 与 78.6\%），而代理管道显示出更高的指南基础（0.762 与 0.143）、更高的价值特异性（0.236 与 0.143）和稍高的合理性（0.700 与 0.671）。临床上，结果表明，代理分解可以改善安全相关的基础和患者特定的细节，但在用于高风险解释之前应与基于归因的检查相结合。

订阅66必读