arXiv:2511.15847v1 Announce Type: new 
Abstract: Early identification of intensive care patients at risk of in-hospital mortality enables timely intervention and efficient resource allocation. Despite high predictive performance, existing machine learning approaches lack transparency and robustness, limiting clinical adoption. We present a lightweight, transparent multimodal ensemble that fuses physiological time-series measurements with unstructured clinical notes from the first 48 hours of an ICU stay. A logistic regression model combines predictions from two modality-specific models: a bidirectional LSTM for vitals and a finetuned ClinicalModernBERT transformer for notes. This traceable architecture allows for multilevel interpretability: feature attributions within each modality and direct per-case modality attributions quantifying how vitals and notes influence each decision. On the MIMIC-III benchmark, our late-fusion ensemble improves discrimination over the best single model (AUPRC 0.565 vs. 0.526; AUROC 0.891 vs. 0.876) while maintaining well-calibrated predictions. The system remains robust through a calibrated fallback when a modality is missing. These results demonstrate competitive performance with reliable, auditable risk estimates and transparent, predictable operation, which together are crucial for clinical use.

تم تطوير نموذج جديد متعدد الأنماط للتنبؤ بالوفيات المبكرة في وحدات العناية المركزة، يجمع بين بيانات القياسات الفسيولوجية الزمنية وملاحظات سريرية من أول 48 ساعة من إقامة المريض في وحدة العناية المركزة. يستخدم هذا النموذج إطار الانحدار اللوجستي الذي يدمج التنبؤات من LSTM ثنائي الاتجاه للعلامات الحيوية و ClinicalModernBERT لتحويل الملاحظات السريرية. تهدف هذه الطريقة إلى تحسين الشفافية وقابلية التفسير في التنبؤات المتعلقة بالوفيات، مما يعالج القيود التي تعاني منها طرق التعلم الآلي الحالية.

Se ha desarrollado un nuevo modelo de conjunto multimodal para predecir la mortalidad temprana en la UCI, combinando datos fisiológicos en series temporales con notas clínicas de las primeras 48 horas de estancia de un paciente en la UCI. Este modelo utiliza un marco de regresión logística que integra predicciones de un LSTM bidireccional para signos vitales y un transformador ClinicalModernBERT para notas clínicas. El enfoque busca mejorar la transparencia y la interpretabilidad en las predicciones de mortalidad, abordando las limitaciones de los métodos de aprendizaje automático existentes.

Un nouveau modèle d'ensemble multimodal a été développé pour prédire la mortalité précoce en soins intensifs, combinant des données physiologiques en série temporelle avec des notes cliniques des 48 premières heures du séjour d'un patient en soins intensifs. Ce modèle utilise un cadre de régression logistique qui intègre les prédictions d'un LSTM bidirectionnel pour les signes vitaux et d'un transformateur ClinicalModernBERT pour les notes cliniques. L'approche vise à améliorer la transparence et l'interprétabilité des prédictions de mortalité, répondant aux limites des méthodes d'apprentissag…

A new multimodal ensemble model has been developed to predict early ICU mortality, combining physiological time-series data with clinical notes from the first 48 hours of a patient's ICU stay. This model utilizes a logistic regression framework that integrates predictions from a bidirectional LSTM for vital signs and a ClinicalModernBERT transformer for clinical notes. The approach aims to enhance transparency and interpretability in mortality predictions, addressing limitations of existing machine learning methods.

Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution

arXiv:2512.06812v1 Announce Type: new 
Abstract: Discharge Summaries are documents written by medical professionals that detail a patient's visit to a care facility. They contain a wealth of information crucial for patient care, and automating their generation could significantly reduce the effort required from healthcare professionals, minimize errors, and ensure that critical patient information is easily accessible and actionable. In this work, we explore the use of five Large Language Models on this task, from open-source models (Mistral, Llama 2) to proprietary systems (GPT-3, GPT-4, Gemini 1.5 Pro), leveraging MIMIC-III summaries and notes. We evaluate them using exact-match, soft-overlap, and reference-free metrics. Our results show that proprietary models, particularly Gemini with one-shot prompting, outperformed others, producing summaries with the highest similarity to the gold-standard ones. Open-source models, while promising, especially Mistral after fine-tuning, lagged in performance, often struggling with hallucinations and repeated information. Human evaluation by a clinical expert confirmed the practical utility of the summaries generated by proprietary models. Despite the challenges, such as hallucinations and missing information, the findings suggest that LLMs, especially proprietary models, are promising candidates for automatic discharge summary generation as long as data privacy is ensured.

أظهرت الأبحاث الحديثة إمكانية نماذج اللغة الكبيرة (LLMs) في أتمتة إنشاء ملخصات الخروج، وهي مستندات حيوية في رعاية المرضى. قامت الدراسة بتقييم خمسة نماذج، بما في ذلك أنظمة ملكية مثل GPT-4 وGemini 1.5 Pro، ووجدت أن Gemini، خاصة مع التحفيز الأحادي، أنتجت ملخصات كانت الأكثر تشابهًا مع المعايير الذهبية. يمكن أن يؤدي هذا التقدم إلى تقليل عبء العمل على المتخصصين في الرعاية الصحية وتحسين دقة معلومات المرضى.

Investigaciones recientes han demostrado el potencial de los Modelos de Lenguaje de Gran Escala (LLMs) en la automatización de la generación de resúmenes de alta de pacientes, documentos críticos en la atención médica. El estudio evaluó cinco modelos, incluidos sistemas propietarios como GPT-4 y Gemini 1.5 Pro, y encontró que Gemini, especialmente con un solo aviso, producía resúmenes más similares a los estándares de oro. Este avance podría reducir significativamente la carga de trabajo de los profesionales de la salud y mejorar la precisión de la información del paciente.

Des recherches récentes ont démontré le potentiel des modèles de langage de grande taille (LLMs) dans l'automatisation de la génération de résumés de sortie, qui sont des documents critiques dans les soins aux patients. L'étude a évalué cinq modèles, y compris des systèmes propriétaires comme GPT-4 et Gemini 1.5 Pro, et a constaté que Gemini, en particulier avec un prompt unique, produisait des résumés les plus similaires aux normes d'or. Cette avancée pourrait réduire considérablement la charge de travail des professionnels de la santé et améliorer l'exactitude des informations sur les patien…

Recent research has demonstrated the potential of Large Language Models (LLMs) in automating the generation of discharge summaries, which are critical documents in patient care. The study evaluated five models, including proprietary systems like GPT-4 and Gemini 1.5 Pro, and found that Gemini, particularly with one-shot prompting, produced summaries most similar to gold standards. This advancement could significantly reduce the workload of healthcare professionals and enhance the accuracy of patient information.

Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution

Was this article worth reading? Share it

LucidQuery AI

Keywords AI

Twofold Health