論文の概要: The Ethical Implications of Shared Medical Decision Making without Providing Adequate Computational Support to the Care Provider and to the Patient

• arxiv url: http://arxiv.org/abs/2102.01811v1
• Date: Wed, 3 Feb 2021 00:30:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 17:21:04.168829
• Title: The Ethical Implications of Shared Medical Decision Making without Providing Adequate Computational Support to the Care Provider and to the Patient
• Title（参考訳）: 医療提供者及び患者に対する適切な計算支援を提示しない共有医療意思決定の倫理的意味
• Authors: Yuval Shahar
• Abstract要約: 患者を医療決定に巻き込む必要性は明白である。 人工知能の最近の進歩は、第三のエージェント、コンピュータを追加することを示唆している。 倫理的医師は、計算決定支援技術を利用するべきである。
• 参考スコア（独自算出の注目度）: 1.52292571922932
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: There is a clear need to involve patients in medical decisions. However, cognitive psychological research has highlighted the cognitive limitations of humans with respect to 1. Probabilistic assessment of the patient state and of potential outcomes of various decisions, 2. Elicitation of the patient utility function, and 3. Integration of the probabilistic knowledge and of patient preferences to determine the optimal strategy. Therefore, without adequate computational support, current shared decision models have severe ethical deficiencies. An informed consent model unfairly transfers the responsibility to a patient who does not have the necessary knowledge, nor the integration capability. A paternalistic model endows with exaggerated power a physician who might not be aware of the patient preferences, is prone to multiple cognitive biases, and whose computational integration capability is bounded. Recent progress in Artificial Intelligence suggests adding a third agent: a computer, in all deliberative medical decisions: Non emergency medical decisions in which more than one alternative exists, the patient preferences can be elicited, the therapeutic alternatives might be influenced by these preferences, medical knowledge exists regarding the likelihood of the decision outcomes, and there is sufficient decision time. Ethical physicians should exploit computational decision support technologies, neither making the decisions solely on their own, nor shirking their duty and shifting the responsibility to patients in the name of informed consent. The resulting three way (patient, care provider, computer) human machine model that we suggest emphasizes the patient preferences, the physician knowledge, and the computational integration of both aspects, does not diminish the physician role, but rather brings out the best in human and machine.
• Abstract（参考訳）: 医療決定に患者を巻き込む明確な必要性があります。 しかし、認知心理学研究は、人間の1.1に対する認知的限界を強調している。 患者状態の確率的評価と様々な意思決定の結果の可能性, 2。 患者のユーティリティ機能の消去、および3。 最適な戦略を決定するための確率的知識と患者の好みの統合。 したがって、適切な計算支援がなければ、現在の共有決定モデルは重大な倫理的欠陥を有する。 情報化された同意モデルは、必要な知識や統合能力を持たない患者に責任を不当に譲渡します。 患者好みを意識していないかもしれない医師が誇張された力を持つ父性モデル内耳は、複数の認知バイアスを起こし、計算統合能力が境界づけられる。 人工知能の最近の進歩は、第3のエージェントを追加することを示唆している: コンピュータ、あらゆる審議的な医療判断: 複数の選択肢が存在する非緊急医学的決定において、患者の好みが引き起こされ、治療的な選択肢がこれらの選好に影響され、医学的な知識が決定結果の可能性を考慮し、十分な意思決定時間が存在する。 倫理医は、計算決定支援技術を利用して、単独で決定したり、義務を隠したり、通知された同意の名前で患者に責任を移したりするべきではない。 私たちが提案する3つの方法(患者、介護提供者、コンピュータ)のヒューマンマシンモデルは、患者の好み、医師の知識、両方の側面の計算統合を強調し、医師の役割を低下させるのではなく、人間と機械で最高のものを引き出す。

関連論文リスト

• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)
• The doctor will polygraph you now: ethical concerns with AI for fact-checking patients [0.23248585800296404]
  社会行動予測のための人工知能(AI)手法が提案されている。 これにより、患者のデータに対する敬意、プライバシ、コントロールに関する新たな倫理的懸念が生まれます。
  論文  参考訳（メタデータ） (2024-08-15T02:55:30Z)
• The Limits of Perception: Analyzing Inconsistencies in Saliency Maps in XAI [0.0]
  説明可能な人工知能(XAI)は、AIの意思決定プロセスの解明に不可欠である。 ブラックボックス」として機能し、その理由が曖昧でアクセスできないため、誤診のリスクが高まる。 この透明性へのシフトは、単に有益であるだけでなく、医療におけるAI統合の責任を負うための重要なステップでもある。
  論文  参考訳（メタデータ） (2024-03-23T02:15:23Z)
• Explaining by Imitating: Understanding Decisions by Interpretable Policy Learning [72.80902932543474]
  観察されたデータから人間の行動を理解することは、意思決定における透明性と説明責任にとって重要である。 意思決定者の方針をモデル化することが困難である医療などの現実的な設定を考えてみましょう。 本稿では, 設計による透明性の向上, 部分観測可能性の確保, 完全にオフラインで動作可能なデータ駆動型意思決定行動の表現を提案する。
  論文  参考訳（メタデータ） (2023-10-28T13:06:14Z)
• Understanding how the use of AI decision support tools affect critical thinking and over-reliance on technology by drug dispensers in Tanzania [0.0]
  薬局のディスペンサーは、提示された臨床症例のヴィグネットの鑑別診断を決定するとき、AI技術を使用していた。 私たちは、AIがその決定について説明を提供していない場合でも、ディスペンサーがAIによる決定に頼っていたことを発見した。
  論文  参考訳（メタデータ） (2023-02-19T05:59:06Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Indecision Modeling [50.00689136829134]
  AIシステムは人間の価値観に合わせて行動することが重要である。 人々はしばしば決定的ではなく、特に彼らの決定が道徳的な意味を持つときです。
  論文  参考訳（メタデータ） (2020-12-15T18:32:37Z)
• Using Deep Learning and Explainable Artificial Intelligence in Patients' Choices of Hospital Levels [10.985001960872264]
  本研究は、全国の保険データを用いて、既存の文献で議論されている可能性のある特徴を蓄積し、ディープニューラルネットワークを用いて患者の病院レベルの選択を予測した。 その結果,受信機動作特性曲線 (AUC) (0.90), 精度 (0.90), 感度 (0.94), 特異度 (0.97) を高不均衡ラベルで予測できた。
  論文  参考訳（メタデータ） (2020-06-24T02:15:15Z)
• Learning medical triage from clinicians using Deep Q-Learning [0.3111424566471944]
  臨床用ウィグレットを用いたトリアージ患者に対するDeep Reinforcement Learningアプローチを提案する。 このデータセットは1374個の臨床ヴィグネットで構成され、実際の症例を表すために医師によって作成された。 このアプローチは人間のパフォーマンスと同等であり、94%のケースで安全なトリアージ決定が得られ、85%のケースで専門家の判断と一致している。
  論文  参考訳（メタデータ） (2020-03-28T16:07:41Z)

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。