論文の概要: From Bit To Bedside: A Practical Framework For Artificial Intelligence
Product Development In Healthcare
- arxiv url: http://arxiv.org/abs/2003.10303v1
- Date: Mon, 23 Mar 2020 14:42:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 23:40:15.366275
- Title: From Bit To Bedside: A Practical Framework For Artificial Intelligence
Product Development In Healthcare
- Title（参考訳）: BitからBedsideへ:医療における人工知能製品開発のための実践的フレームワーク
- Authors: David Higgins and Vince I. Madai
- Abstract要約: 本稿では,AI駆動型バイオメディカル製品開発のための意思決定視点フレームワークを提案する。
我々は, 臨床検証, 規制問題, データ戦略, アルゴリズム開発に関する課題に焦点をあてる。
私たちのフレームワークは、イノベーションフレームワークのテンプレートと見なされるべきです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Artificial Intelligence (AI) in healthcare holds great potential to expand
access to high-quality medical care, whilst reducing overall systemic costs.
Despite hitting the headlines regularly and many publications of
proofs-of-concept, certified products are failing to breakthrough to the
clinic. AI in healthcare is a multi-party process with deep knowledge required
in multiple individual domains. The lack of understanding of the specific
challenges in the domain is, therefore, the major contributor to the failure to
deliver on the big promises. Thus, we present a decision perspective framework,
for the development of AI-driven biomedical products, from conception to market
launch. Our framework highlights the risks, objectives and key results which
are typically required to proceed through a three-phase process to the market
launch of a validated medical AI product. We focus on issues related to
Clinical validation, Regulatory affairs, Data strategy and Algorithmic
development. The development process we propose for AI in healthcare software
strongly diverges from modern consumer software development processes. We
highlight the key time points to guide founders, investors and key stakeholders
throughout their relevant part of the process. Our framework should be seen as
a template for innovation frameworks, which can be used to coordinate team
communications and responsibilities towards a reasonable product development
roadmap, thus unlocking the potential of AI in medicine.
- Abstract（参考訳）: 医療における人工知能(AI)は、システム全体のコストを削減しつつ、高品質な医療へのアクセスを拡大する大きな可能性を秘めている。
定期的な見出しや概念実証の多くの出版物にぶつかっているにもかかわらず、認定された製品はクリニックにブレークスルーすることができない。
医療におけるAIは、複数の個々のドメインで必要な深い知識を持つ多人数のプロセスである。
ドメイン内の特定の課題に対する理解の欠如は、大きな約束を果たすことができないことへの主要な貢献である。
そこで,我々は,概念から市場投入まで,ai駆動生物医学製品開発のための意思決定視点の枠組みを提案する。
我々のフレームワークは、検証済みの医療AI製品の市場投入まで3段階のプロセスを進めるのに必要なリスク、目標、および重要な結果を強調します。
我々は,臨床検証,規制問題,データ戦略,アルゴリズム開発に関する課題に焦点をあてる。
医療ソフトウェアにおけるAI開発プロセスは、現代の消費者ソフトウェア開発プロセスと大きく異なる。
我々は、設立者、投資家、および主要な利害関係者がプロセスの関連部分を通してガイドするための重要な時間ポイントを強調する。
私たちのフレームワークはイノベーションフレームワークのテンプレートとして見なされるべきであり、チームコミュニケーションと責任を合理的な製品開発ロードマップに向けて調整するために使用できるため、医学におけるAIの可能性を解き放ちます。
関連論文リスト
- Engineering Trustworthy AI: A Developer Guide for Empirical Risk Minimization [53.80919781981027]
信頼できるAIのための重要な要件は、経験的リスク最小化のコンポーネントの設計選択に変換できる。
私たちは、AIの信頼性の新たな標準を満たすAIシステムを構築するための実用的なガイダンスを提供したいと思っています。
論文 参考訳（メタデータ） (2024-10-25T07:53:32Z) - Towards Clinical AI Fairness: Filling Gaps in the Puzzle [15.543248260582217]
このレビューでは、医療データと提供されたAIフェアネスソリューションの両方に関して、いくつかの欠陥を体系的に指摘する。
AI技術がますます活用されている多くの医療分野において、AIフェアネスの研究の欠如を強調している。
これらのギャップを埋めるために、我々のレビューは医療研究コミュニティとAI研究コミュニティの両方にとって実行可能な戦略を前進させます。
論文 参考訳（メタデータ） (2024-05-28T07:42:55Z) - Leveraging Generative AI for Clinical Evidence Summarization Needs to Ensure Trustworthiness [47.51360338851017]
エビデンスベースの医療は、医療の意思決定と実践を最大限に活用することで、医療の質を向上させることを約束する。
様々な情報源から得ることができる医学的証拠の急速な成長は、明らかな情報の収集、評価、合成に挑戦する。
大規模言語モデルによって実証された、生成AIの最近の進歩は、困難な作業の促進を約束する。
論文 参考訳（メタデータ） (2023-11-19T03:29:45Z) - FUTURE-AI: International consensus guideline for trustworthy and deployable artificial intelligence in healthcare [73.78776682247187]
医療AIに関連する技術的、臨床的、倫理的、法的リスクに関する懸念が高まっている。
この研究は、Future-AIガイドラインを、医療における信頼できるAIツールの開発とデプロイを導くための最初の国際コンセンサスフレームワークとして説明している。
論文 参考訳（メタデータ） (2023-08-11T10:49:05Z) - Validation of artificial intelligence containing products across the
regulated healthcare industries [0.0]
規制分野への人工知能/機械学習(AI/ML)製品の導入は、新たな規制問題を引き起こす。
共通用語と理解の欠如は、混乱、遅延、製品失敗につながる。
製品開発における重要なステップとしてのバリデーションは、人々とプロセスの整合性を比較する機会を提供する。
論文 参考訳（メタデータ） (2023-02-13T14:03:36Z) - The Role of AI in Drug Discovery: Challenges, Opportunities, and
Strategies [97.5153823429076]
この分野でのAIのメリット、課題、欠点についてレビューする。
データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
論文 参考訳（メタデータ） (2022-12-08T23:23:39Z) - Responsible AI Implementation: A Human-centered Framework for
Accelerating the Innovation Process [0.8481798330936974]
本稿では,人工知能(AI)の実装に関する理論的枠組みを提案する。
提案されたフレームワークは、アジャイル共同創造プロセスのための相乗的ビジネス技術アプローチを強調している。
このフレームワークは,AIの人間中心の設計とアジャイル開発を通じて,信頼の確立と維持を重視している。
論文 参考訳（メタデータ） (2022-09-15T06:24:01Z) - FUTURE-AI: Guiding Principles and Consensus Recommendations for Trustworthy Artificial Intelligence in Medical Imaging [6.099257839022179]
Future-AIフレームワークは、医療におけるAIの信頼性、安全性、採用を促進するための原則を導いてくれる。
我々は、Future-AIの一般的な医療原則を、医療画像コミュニティのニーズに合わせて、簡潔で具体的なAI実装ガイドに変換する。
論文 参考訳（メタデータ） (2021-09-20T16:22:49Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - An interdisciplinary conceptual study of Artificial Intelligence (AI)
for helping benefit-risk assessment practices: Towards a comprehensive
qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。
目的は、AIシステムを評価するための共有概念や相違点を特定することである。
論文 参考訳（メタデータ） (2021-05-07T12:01:31Z) - OnRAMP for Regulating AI in Medical Products [0.0]
この視点は、規制パッケージの生産と互換性のある開発のためのベストプラクティスガイドラインを提案する。
これらのガイドラインにより、共通の機械学習プラクティスの開発において、すべての関係者がより明確にコミュニケーションできるようになります。
論文 参考訳（メタデータ） (2020-10-09T14:02:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。