EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Mortality prediction for ICU patients with mental disorders using large language models ensemble and unstructured medical notes

Sterblichkeitsvorhersage bei ICU-Patient:innen mit psychischen Störungen mithilfe eines Ensemble aus Large Language Models und unstrukturierten medizinischen Notizen

Waleed Nazih, Tamer Abuhmed iD, Meshal Alharbi, Shaker El-Sappagh iD

PLOS One · 19.09.2025 · 20 (9) · e0332134

DOI: 10.1371/journal.pone.0332134 ↗

Auf einen Blick

Bei 11.914 Personen mit psychischen Störungen im MIMIC-IV-Datensatz sagte ein multimodales Ensemblemodell die Sterblichkeit auf der Intensivstation besser voraus als einzelne LLMs und LMs.

Fragestellung

Verbessert ein Ensemble aus medizinischen LLMs und LMs die Vorhersage der ICU-Sterblichkeit bei Patient:innen mit psychischen Störungen?

Methode

Entwicklung eines Vorhersage-Ensembleklassifikators mit Entscheidungsfusion; Feintuning von Asclepius, Meditron, GatorTron und PubMedBERT mit multimodalen Daten aus MIMIC-IV.

Ergebnisse

Das multimodale Ensemblemodell erzielte bessere Ergebnisse als einzelne LLM- und LM-Modelle auf Einzelmodalitäten. Konkrete Kennzahlen werden im Abstract nicht genannt.

Schlussfolgerung der Autor:innen

Die Autor:innen sehen einen deutlichen Einfluss von Sprachmodellen auf das Management psychischer Erkrankungen auf der Intensivstation und befürworten die Einbeziehung unstrukturierter medizinischer Texte.

Kernaussagen

  • 11.914 Personen mit verschiedenen psychischen Störungen aus MIMIC-IV
  • Ensemble aus Asclepius, Meditron, GatorTron und PubMedBERT
  • Besser als einzelne LLMs/LMs auf Einzelmodalitäten

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift PLOS One, online erschienen am 19.09.2025. Verfasst von Waleed Nazih und 3 weiteren Autor:innen. Beteiligte Einrichtung: Department of Computer Science, College of Computer Engineering and Sciences, Prince Sattam bin Abdulaziz University, Al-Kharj, Saudi Arabia. Hauptthemen laut MEDLINE: Intensive Care Units, Natural Language Processing, Mental Disorders, Hospital Mortality. Die Arbeit wurde bisher 5-mal zitiert (Crossref) und nennt 85 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: King Salman Center for Disability Research.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Assessing mortality risk in the intensive care unit (ICU) is crucial for improving clinical outcomes and management strategies. Conventional artificial intelligence studies often neglect vital clinical information contained in unstructured medical notes. Recently, large language models (LLMs) have achieved leading-edge performance in natural language processing tasks, though each model has limitations stemming from its architecture and pre-training. The ensemble of heterogeneous language models, including both conventional LMs and LLMs, effectively addresses these constraints. The study introduces a predictive ensemble classifier using a decision fusion approach of diverse medical LLMs and LMs, including Asclepius, Meditron, GatorTron, and PubMedBERT. These models, fine-tuned with multimodal data from the medical records of 11,914 individuals diagnosed with various mental disorders from the MIMIC-IV dataset, enhance the diversity of the resulting ensemble model. The performance of our multimodal ensemble model was rigorously evaluated, delivering superior results compared to individual LLM and LM models based on single modalities. Our study underscores the substantial influence of language models on mental health management in the ICU, advocating for advanced clinical decision-making techniques that integrate unstructured medical texts with language models to enhance patient outcomes.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Intensive Care UnitsNatural Language ProcessingMental DisordersHospital MortalityHumansFemaleMaleElectronic Health RecordsMiddle AgedArtificial IntelligenceLarge Language Models

Autor:innen und Institutionen

  • Department of Computer Science, College of Computer Engineering and Sciences, Prince Sattam bin Abdulaziz University, Al-Kharj, Saudi Arabia.
  • College of Computing and Informatics, Sungkyunkwan University, Suwon, South Korea.
  • Faculty of Computer Science and Engineering, Galala University, Suez, Egypt.

ORCID-Profile: Tamer Abuhmed, Shaker El-Sappagh

Förderung

  • King Salman Center for Disability Research

Zitieren

APA

Nazih, W., Abuhmed, T., Alharbi, M., & El-Sappagh, S. (2025). Mortality prediction for ICU patients with mental disorders using large language models ensemble and unstructured medical notes. PLOS One, 20(9), e0332134. https://doi.org/10.1371/journal.pone.0332134

Vancouver

Nazih W, Abuhmed T, Alharbi M, El-Sappagh S. Mortality prediction for ICU patients with mental disorders using large language models ensemble and unstructured medical notes. PLOS One. 2025;20(9):e0332134. doi:10.1371/journal.pone.0332134

BibTeX
@article{Nazih2025,
  author = {Nazih, Waleed and Abuhmed, Tamer and Alharbi, Meshal and El-Sappagh, Shaker},
  title = {Mortality prediction for ICU patients with mental disorders using large language models ensemble and unstructured medical notes},
  journal = {PLOS One},
  year = {2025},
  volume = {20},
  number = {9},
  pages = {e0332134},
  doi = {10.1371/journal.pone.0332134}
}
Kostenlos starten →