本論文は、心不全患者の1年死亡率を予測するための機械学習（ML）モデルを開発し、従来の予測モデルが考慮しないコストと利益のトレードオフを評価する新たな「コスト意識型予測（CAP）」フレームワークを提案しています。30,021人の患者データを用いて、k個の大規模言語モデル（LLM）を導入し、個別の患者向けにコスト分析を行いました。モデルの結果、最も性能が高いのはeXtremeグラディエントブースティング（XGB）で、受信者操作特性曲線の下の面積（AUROC）が0.804と評価されました。また、CIP曲線を使って、質の高い生活と医療費の構成要素を可視化し、予測の臨床的影響も評価しました。医療従事者からは、このシステムの意思決定支援としての価値について高評価を受けましたが、技術的精度の強化が求められています。