Clinical Decision-Making on MIMIC Common IV (test) benchmark leaderboard · SOTA2 Research

Clinical Decision-Making on MIMIC Common IV (test)

0.0385Diagnoses ErrorReasoningBank

Evaluation Results

Method	Links
ReasoningBank2026.01		0.0385	0.1275	0.125	0.0448	0.2931	0.2103	0.1399
ReAct2026.01		0.0955	0.1295	0.1274	0.0756	0.2472	0.2772	0.1587
ReflecTool (IR)2026.01		0.1046	0.0893	0.136	0.0713	0.2428	0.2882	0.1554
Reflexion2026.01		0.1216	0.0983	0.0989	0.0901	0.2273	0.2292	0.1442
ReflecTool (CS)2026.01		0.1647	0.0821	0.1265	0.0614	0.2572	0.2589	0.1585
ReAct2026.01		0.1671	0.1172	0.1545	0.067	0.2739	0.1413	0.1535
ReSum2026.01		0.1753	0.0881	0.1166	0.1	0.2717	0.232	0.1639
ReAct2026.01		0.1836	0.0793	0.1895	0.1075	0.2857	0.2346	0.18
ReflecTool (IR)2026.01		0.1992	0.0822	0.1389	0.091	0.249	0.239	0.1665
ReflecTool (CS)2026.01		0.2088	0.0894	0.1579	0.1059	0.3066	0.1985	0.1779
ReSum2026.01		0.2161	0.1083	0.1597	0.1301	0.3503	0.2317	0.1994
Reflexion2026.01		0.2323	0.0887	0.1585	0.0818	0.3098	0.1599	0.1718
RETROSUM2026.01		0.2368	0.0977	0.1584	0.1039	0.2983	0.2791	0.1957
RETROSUM2026.01		0.2514	0.1092	0.1568	0.1289	0.3068	0.3171	0.2117
ReasoningBank2026.01		0.2519	0.1998	0.1726	0.1267	0.3743	0.2793	0.2341
RETROSUM2026.01		0.2519	0.1389	0.1881	0.1285	0.3473	0.2217	0.2127
ReSum2026.01		0.2804	0.1009	0.157	0.0728	0.2907	0.0803	0.1637
RETROSUM2026.01		0.2842	0.1328	0.1568	0.0953	0.3092	0.0988	0.1795
RETROSUM2026.01		0.3148	0.199	0.183	0.1429	0.3578	0.2573	0.2425
RETROSUM2026.01		0.37	0.1951	0.1791	0.1346	0.3556	0.2342	0.2448
ReSum2026.01		0.3822	0.0882	0.2024	0.1618	0.3186	0.1888	0.2237
ReAct2026.01		0.3841	0.1856	0.2032	0.1688	0.3762	0.1826	0.2501
RETROSUM2026.01		0.4023	0.2569	0.2146	0.1128	0.2614	0.2071	0.2425
ReSum2026.01		0.4024	0.2181	0.209	0.0752	0.2668	0.1993	0.2285
RETROSUM2026.01		0.4127	0.2989	0.2097	0.1536	0.2603	0.2327	0.2613
ReAct2026.01		0.427	0.2151	0.1867	0.0764	0.2693	0.2053	0.23
RETROSUM2026.01		0.427	0.1859	0.2296	0.1846	0.348	0.1901	0.2609
RETROSUM2026.01		0.4734	0.2321	0.2236	0.1861	0.3397	0.2729	0.288