論文の概要: Artificial Intelligence for Global Health: Learning From a Decade of
Digital Transformation in Health Care
- arxiv url: http://arxiv.org/abs/2005.12378v2
- Date: Wed, 27 May 2020 06:54:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 05:44:04.358327
- Title: Artificial Intelligence for Global Health: Learning From a Decade of
Digital Transformation in Health Care
- Title（参考訳）: 世界保健のための人工知能:医療におけるデジタルトランスフォーメーションの10年から学ぶ
- Authors: Varoon Mathur, Saptarshi Purkayastha, Judy Wawira Gichoya
- Abstract要約: 低中間所得国(LMIC)は、過去10年にわたり、医療における自己のデジタル変革をすでに実施している。
新たな技術の導入によって、トップダウンのアプローチを新たに導入し、これらのテクノロジを独立して実装することが一般的になり、使用の欠如とリソースの浪費につながります。
本稿は、現在の研究のギャップの観点から、また、リソース制限環境下での医療従事者の生きた経験から、必要な考察を概説する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The health needs of those living in resource-limited settings are a vastly
overlooked and understudied area in the intersection of machine learning (ML)
and health care. While the use of ML in health care is more recently
popularized over the last few years from the advancement of deep learning,
low-and-middle income countries (LMICs) have already been undergoing a digital
transformation of their own in health care over the last decade, leapfrogging
milestones due to the adoption of mobile health (mHealth). With the
introduction of new technologies, it is common to start afresh with a top-down
approach, and implement these technologies in isolation, leading to lack of use
and a waste of resources. In this paper, we outline the necessary
considerations both from the perspective of current gaps in research, as well
as from the lived experiences of health care professionals in resource-limited
settings. We also outline briefly several key components of successful
implementation and deployment of technologies within health systems in LMICs,
including technical and cultural considerations in the development process
relevant to the building of machine learning solutions. We then draw on these
experiences to address where key opportunities for impact exist in
resource-limited settings, and where AI/ML can provide the most benefit.
- Abstract（参考訳）: リソース制限のある環境で生活する人々の健康ニーズは、機械学習(ml)と医療の交差点で見過ごされ、未熟な領域である。
医療におけるMLの使用は、近年、ディープラーニングの進歩から一般化しつつあるが、低所得国(LMICs)は、この10年間、医療における独自のデジタルトランスフォーメーションを行っており、モバイルヘルス(mHealth)の導入によるマイルストーンの飛躍的な成長を遂げている。
新しい技術の導入により、トップダウンのアプローチでafreshを始め、これらの技術を分離して実装することが一般的であり、使用の欠如とリソースの浪費に繋がる。
本稿では,現在の研究のギャップと,医療従事者の生活経験から,資源限定的な状況において必要な考慮事項について概説する。
また、LMICにおける医療システムにおける技術導入と展開の成功の鍵となる要素を概説し、機械学習ソリューションの構築に関連する開発プロセスにおける技術的・文化的考察を含める。
次に、リソース制限された設定において、影響の鍵となる機会がどこにあるのか、そしてAI/MLが最も利益を得られるか、というこれらの経験を取り上げます。
関連論文リスト
- Large language models for mental health [10.592145325363266]
デジタル技術は、精神医学研究や実践における標準的な手順の補完として長い間研究されてきた。
最近の大規模言語モデル(LLM)の出現は、その面での大きな新たなチャンスである。
しかし、LLMを開発するコミュニティと、それらから恩恵を受ける可能性のあるコミュニティとの間には、いまだに隔たりがある。
論文 参考訳（メタデータ） (2024-11-04T14:02:00Z) - A Survey on Medical Large Language Models: Technology, Application, Trustworthiness, and Future Directions [31.04135502285516]
大規模言語モデル(LLM)は、人間レベルの言語の生成と理解に優れた能力があることから、大きな注目を集めている。
LLMは医療分野において革新的で強力なアドジャンクとして出現し、伝統的なプラクティスを変革し、医療サービス強化の新しい時代を告げている。
論文 参考訳（メタデータ） (2024-06-06T03:15:13Z) - Benefits and Harms of Large Language Models in Digital Mental Health [40.02859683420844]
大型言語モデル (LLMs) は、デジタルメンタルヘルスを未知の領域に導くことを約束している。
本稿では、デジタルメンタルヘルスツールの設計、開発、実装においてLLMがもたらす可能性とリスクについて、現代の展望を示す。
論文 参考訳（メタデータ） (2023-11-07T14:11:10Z) - Redefining Digital Health Interfaces with Large Language Models [69.02059202720073]
大規模言語モデル(LLM)は、複雑な情報を処理できる汎用モデルとして登場した。
LLMが臨床医とデジタル技術との新たなインターフェースを提供する方法を示す。
自動機械学習を用いた新しい予後ツールを開発した。
論文 参考訳（メタデータ） (2023-10-05T14:18:40Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Privacy-preserving machine learning for healthcare: open challenges and
future perspectives [72.43506759789861]
医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。
プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。
このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
論文 参考訳（メタデータ） (2023-03-27T19:20:51Z) - HEAR4Health: A blueprint for making computer audition a staple of modern
healthcare [89.8799665638295]
近年、従来の医療システムを変革する試みとして、デジタル医療の研究が急速に増加している。
コンピュータによるオーディションは、少なくとも商業的関心の面では遅れている。
実生活における聴覚信号の分析に必要な基礎技術に対応する聴覚、計算とデータ効率の進歩、個々の差異を考慮し、医療データの長手性を扱う聴覚。
論文 参考訳（メタデータ） (2023-01-25T09:25:08Z) - Improved Healthcare Access in Low-resource Regions: A Review of
Technological Solutions [0.0]
我々は、低リソース領域を対象とした技術ベースの医療革新を調査した研究・開発作業を特定した。
医療機器の低価格ハードウェア、医療サービスにおけるスケーラビリティと運用効率のための情報通信技術(ICT)ツール、モバイルヘルスソリューション。
人工知能、IoT(Internet of Things)、ブロックチェーン技術など、低リソース領域のヘルスケアにも、いくつかの新興テクノロジが期待されている。
論文 参考訳（メタデータ） (2022-05-22T19:36:18Z) - Smart Healthcare in the Age of AI: Recent Advances, Challenges, and
Future Prospects [3.3336265497547126]
スマートヘルスケアシステムは近年関心が高まりつつあるトピックであり、現代技術における大きな発展のためにますます必要となってきた。
本研究の目的は、健康モニタリングのためのウェアラブルやスマートフォンデバイス、疾患診断のための機械学習、環境支援生活環境向けに開発された社会ロボットを含む支援フレームワークなど、主要な分野を取り上げ、現在最先端のスマートヘルスケアシステムについて議論することである。
論文 参考訳（メタデータ） (2021-06-24T05:10:47Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。