論文の概要: Applying Artificial Intelligence to Clinical Decision Support in Mental
Health: What Have We Learned?
- arxiv url: http://arxiv.org/abs/2303.03511v1
- Date: Mon, 6 Mar 2023 21:40:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 17:11:45.467999
- Title: Applying Artificial Intelligence to Clinical Decision Support in Mental
Health: What Have We Learned?
- Title(参考訳): メンタルヘルスにおける人工知能の臨床的意思決定支援への応用:我々は何を学んだのか?
- Authors: Grace Golden, Christina Popescu, Sonia Israel, Kelly Perlman, Caitrin
Armstrong, Robert Fratila, Myriam Tanguay-Sela, and David Benrimoh
- Abstract要約: 本稿では,近年開発されたAI-CDSSであるAifred Healthを事例として,うつ病における治療の選択と管理を支援する。
我々は、このAI-CDSSの開発およびテスト中にもたらされた原則と、実装を容易にするために開発された実践的ソリューションの両方を考慮する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clinical decision support systems (CDSS) augmented with artificial
intelligence (AI) models are emerging as potentially valuable tools in
healthcare. Despite their promise, the development and implementation of these
systems typically encounter several barriers, hindering the potential for
widespread adoption. Here we present a case study of a recently developed
AI-CDSS, Aifred Health, aimed at supporting the selection and management of
treatment in major depressive disorder. We consider both the principles
espoused during development and testing of this AI-CDSS, as well as the
practical solutions developed to facilitate implementation. We also propose
recommendations to consider throughout the building, validation, training, and
implementation process of an AI-CDSS. These recommendations include:
identifying the key problem, selecting the type of machine learning approach
based on this problem, determining the type of data required, determining the
format required for a CDSS to provide clinical utility, gathering physician and
patient feedback, and validating the tool across multiple settings. Finally, we
explore the potential benefits of widespread adoption of these systems, while
balancing these against implementation challenges such as ensuring systems do
not disrupt the clinical workflow, and designing systems in a manner that
engenders trust on the part of end users.
- Abstract(参考訳): 人工知能(AI)モデルで強化された臨床意思決定支援システム(CDSS)は、医療において潜在的に価値のあるツールとして浮上している。
彼らの約束にもかかわらず、これらのシステムの開発と実装は、一般的にいくつかの障壁に遭遇し、広く採用される可能性を妨げる。
本稿では、近年開発されたAI-CDSSであるAifred Healthを事例として、うつ病における治療の選択と管理を支援する。
我々は、このAI-CDSSの開発およびテスト中にもたらされた原則と、実装を容易にするために開発された実践的ソリューションの両方を考慮する。
また,AI-CDSSの構築,検証,トレーニング,実施プロセス全体について検討することを提案する。
これらの推奨事項には、鍵となる問題を特定すること、この問題に基づいて機械学習アプローチの種類を選択すること、必要なデータの種類を決定すること、CDSSが臨床ユーティリティを提供するために必要なフォーマットを決定すること、医師と患者のフィードバックを集めること、複数の設定でツールを検証することが含まれる。
最後に,これらのシステムの普及による潜在的なメリットについて検討すると同時に,システムによる臨床ワークフローの中断の防止や,エンドユーザの信頼感を高めるようなシステム設計など,実装上の課題とのバランスをとる。
関連論文リスト
- Neural machine translation of clinical procedure codes for medical
diagnosis and uncertainty quantification [2.1186715417451216]
医療エントロピーの概念を導入し,ICD-9法に基づくニューラルマシン翻訳によって予測される患者の予後の不確かさを定量化する。
簡単なICD-9コードに基づいて,術式と診断シーケンスの相関が強いことを示す。
また,データ駆動アプローチにより入院時の不確実性の傾向をモデル化する有望な能力を示す。
論文 参考訳(メタデータ) (2024-02-07T20:11:56Z) - Rethinking Human-AI Collaboration in Complex Medical Decision Making: A
Case Study in Sepsis Diagnosis [34.19436164837297]
我々は、最先端のAIアルゴリズムに基づいてSepsisLabを構築し、それを拡張して、セプシス開発の将来予測を予測する。
我々は、SepsisLabがAIによる敗血症診断の将来に向けて有望な人間とAIのコラボレーションパラダイムを実現することを実証した。
論文 参考訳(メタデータ) (2023-09-17T19:19:39Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳(メタデータ) (2023-01-17T21:41:21Z) - AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in
Healthcare with Automated Machine Learning [72.2614468437919]
本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。
我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。
我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
論文 参考訳(メタデータ) (2022-10-21T16:31:46Z) - What Do End-Users Really Want? Investigation of Human-Centered XAI for
Mobile Health Apps [69.53730499849023]
説明可能なAI(XAI)を評価するために,ユーザ中心のペルソナ概念を提案する。
分析の結果,ユーザの人口統計や性格,説明のタイプ,影響説明の嗜好が示された。
私たちの洞察は、対話的で人間中心のXAIを実践的な応用に近づけます。
論文 参考訳(メタデータ) (2022-10-07T12:51:27Z) - Explainable Intrusion Detection Systems (X-IDS): A Survey of Current
Methods, Challenges, and Opportunities [0.0]
侵入検知システム(IDS)は、大量のデータを高い予測精度で処理できるため、広く採用されている。
深層学習(DL)技術を用いて設計されたIDSは、ブラックボックスモデルとして扱われることが多く、予測の正当化は提供されない。
この調査では、IDSの最先端AI(XAI)とその現在の課題についてレビューし、これらの課題がX-IDSの設計にどのように当てはまるかを論じる。
論文 参考訳(メタデータ) (2022-07-13T14:31:46Z) - Moral Decision-Making in Medical Hybrid Intelligent Systems: A Team
Design Patterns Approach to the Bias Mitigation and Data Sharing Design
Problems [0.0]
チームデザインパターン(TDP)は、決定が道徳的な要素を持つ設計問題の成功と再利用可能な構成を記述する。
本稿では,医療用hiシステムにおける2つの設計問題の解のセットについて述べる。
パターンの理解性、有効性、一般化性に関するユーザビリティを評価するために、調査が作成されました。
論文 参考訳(メタデータ) (2021-02-16T17:09:43Z) - 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) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳(メタデータ) (2020-12-10T13:56:00Z) - Clinical Recommender System: Predicting Medical Specialty Diagnostic
Choices with Neural Network Ensembles [6.015709234901588]
本稿では,患者の最新の臨床記録に基づいて,必要な診断手順のセットを推奨するデータ駆動モデルを提案する。
これにより、医療システムは、患者の初期医療専門性診断ワークアップへのタイムリーなアクセスを拡大できる可能性がある。
論文 参考訳(メタデータ) (2020-07-23T17:50:15Z)
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。