แม้ว่าโมเดล Machine Learning จะสามารถทำนายอัตราการเสียชีวิตของผู้ป่วยใน ICU ได้แม่นยำ แต่การขาดคำอธิบายที่สมเหตุสมผลทางการแพทย์มักเป็นอุปสรรคต่อการนำไปใช้จริง งานวิจัยนี้จึงได้ทดลองนำ Large Language Models (LLMs) มาสร้างคำอธิบายโดยเปรียบเทียบระหว่างการใช้ LLM ตัวเดียว (Standalone) กับระบบที่แบ่งเป็นขั้นตอน (Agentic Pipeline)
ระบบ Agentic Pipeline ที่พัฒนาขึ้นประกอบด้วย 4 ขั้นตอน ได้แก่ การตีความข้อมูล การตรวจสอบกับแนวทางเวชปฏิบัติ (Guidelines) การกลั่นกรองข้อมูล และการสร้างคำอธิบายสุดท้าย ผลการทดสอบกับชุดข้อมูล eICU พบว่าระบบเอเย่นต์ช่วยลดปัญหา 'ข้อมูลรั่วไหล' (Leakage) ที่ AI แอบเอาผลลัพธ์มาเขียนในคำอธิบาย และยังให้ข้อมูลที่จำเพาะเจาะจงกับตัวเลขสัญญาณชีพของผู้ป่วยได้ดีกว่า
อย่างไรก็ตาม งานวิจัยระบุว่าแม้ระบบเอเย่นต์จะให้เหตุผลที่น่าเชื่อถือและสอดคล้องกับคู่มือการรักษา แต่ความสอดคล้องกับตัวแปรทางสถิติ (SHAP) ยังต่ำกว่าแบบ Standalone ซึ่งสะท้อนว่าควรใช้ระบบนี้ร่วมกับการตรวจสอบค่าทางสถิติเพื่อความปลอดภัยสูงสุดในระดับ bedside
