論文の概要: Launching Insights: A Pilot Study on Leveraging Real-World Observational Data from the Mayo Clinic Platform to Advance Clinical Research
- arxiv url: http://arxiv.org/abs/2504.16090v1
- Date: Fri, 21 Mar 2025 16:06:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:52.812808
- Title: Launching Insights: A Pilot Study on Leveraging Real-World Observational Data from the Mayo Clinic Platform to Advance Clinical Research
- Title（参考訳）: Launching Insights:Mayoクリニックプラットフォームから実世界の観測データを活用して臨床研究を進展させるパイロットスタディ
- Authors: Yue Yu, Xinyue Hu, Sivaraman Rajaganapathy, Jingna Feng, Ahmed Abdelhameed, Xiaodi Li, Jianfu Li, Ken Liu, Liu Yang, Nilufer Taner, Phil Fiero, Soulmaz Boroumand, Richard Larsen, Maneesh Goyal, Clark Otley, Nansu Zong, John Halamka, Cui Tao,
- Abstract要約: マヨクリニックプラットフォーム(MCP)は、臨床研究とAI開発をサポートするスケーラブルなエコシステムを提供することによって、課題に対処するために設立された。
我々は,MPPのデータ基盤と分析能力を活用する4つの研究プロジェクトを実施し,実世界のエビデンス生成とAIによる臨床洞察を促進する可能性を実証した。
- 参考スコア（独自算出の注目度）: 15.04629464273677
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Backgrounds: Artificial intelligence (AI) is transforming healthcare, yet translating AI models from theoretical frameworks to real-world clinical applications remains challenging. The Mayo Clinic Platform (MCP) was established to address these challenges by providing a scalable ecosystem that integrates real-world multiple modalities data from multiple institutions, advanced analytical tools, and secure computing environments to support clinical research and AI development. Methods: In this study, we conducted four research projects leveraging MCP's data infrastructure and analytical capabilities to demonstrate its potential in facilitating real-world evidence generation and AI-driven clinical insights. Utilizing MCP's tools and environment, we facilitated efficient cohort identification, data extraction, and subsequent statistical or AI-powered analyses. Results: The results underscore MCP's role in accelerating translational research by offering de-identified, standardized real-world data and facilitating AI model validation across diverse healthcare settings. Compared to Mayo's internal Electronic Health Record (EHR) data, MCP provides broader accessibility, enhanced data standardization, and multi-institutional integration, making it a valuable resource for both internal and external researchers. Conclusion: Looking ahead, MCP is well-positioned to transform clinical research through its scalable ecosystem, effectively bridging the divide between AI innovation and clinical deployment. Future investigations will build upon this foundation, further exploring MCP's capacity to advance precision medicine and enhance patient outcomes.
- Abstract（参考訳）: 背景: 人工知能(AI)は医療を変革しているが、理論的なフレームワークから現実の臨床応用にAIモデルを翻訳するのは難しい。
Mayo Clinical Platform(MCP)は、複数の機関からの実世界のマルチモーダルデータを統合するスケーラブルなエコシステム、高度な分析ツール、臨床研究とAI開発をサポートするセキュアなコンピューティング環境を提供することによって、これらの課題に対処するために設立された。
方法:本研究では,MPPのデータ基盤と分析能力を活用した4つの研究プロジェクトを実施し,実世界のエビデンス生成とAIによる臨床洞察の促進の可能性を実証した。
MCPのツールと環境を利用することで、効率的なコホート識別、データ抽出、そしてその後の統計的またはAIによる分析が容易になった。
結果: 結果は、特定されていない、標準化された現実世界のデータを提供し、多様な医療環境におけるAIモデル検証を促進することで、翻訳研究を加速するMPPの役割を裏付けるものだ。
マヨのElectronic Health Record(EHR)データと比較すると、MPPはより広範なアクセシビリティ、データ標準化、多施設統合を提供し、内部研究者と外部研究者の両方にとって貴重なリソースとなっている。
結論: MCPは今後、そのスケーラブルなエコシステムを通じて臨床研究を変革し、AIイノベーションと臨床展開のギャップを効果的に埋めるべく、十分に位置づけられている。
今後の調査は、MDPの精度向上と患者の成果向上のための能力を探るため、この基礎の上に構築される予定である。
関連論文リスト
- Systematic Literature Review on Clinical Trial Eligibility Matching [0.24554686192257422]
レビューでは、説明可能なAIと標準化されたオントロジーがクリニックの信頼を高め、採用を広げる方法が強調されている。
臨床治験採用におけるNLPの変革的ポテンシャルを十分に実現するためには、高度な意味的および時間的表現、拡張されたデータ統合、厳密な予測的評価のさらなる研究が必要である。
論文 参考訳（メタデータ） (2025-03-02T11:45:50Z) - From large language models to multimodal AI: A scoping review on the potential of generative AI in medicine [40.23383597339471]
マルチモーダルAIは、イメージング、テキスト、構造化データを含む多様なデータモダリティを単一のモデルに統合することができる。
このスコーピングレビューは、マルチモーダルAIの進化を探求し、その方法、アプリケーション、データセット、臨床環境での評価を強調している。
診断支援,医療報告生成,薬物発見,会話型AIの革新を推進し,一過性のアプローチからマルチモーダルアプローチへのシフトを示唆した。
論文 参考訳（メタデータ） (2025-02-13T11:57:51Z) - Electronic Health Records: Towards Digital Twins in Healthcare [1.702436955667761]
本章では、医療情報システムの進化と重要性について論じる。
英国と米国における EHR の実施に関する調査から始まる。
国際疾病分類(ICD)システムの概要を概観し、ICD-9からICD-10までの発展を辿る。
この議論の中心はMIMIC-IIIデータベースであり、これは医療データ共有における目覚ましい業績であり、世界中の研究者が自由に利用できる最も包括的なクリティカルケアデータベースである。
論文 参考訳（メタデータ） (2025-01-16T16:30:02Z) - Medchain: Bridging the Gap Between LLM Agents and Clinical Practice through Interactive Sequential Benchmarking [58.25862290294702]
臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。
フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
論文 参考訳（メタデータ） (2024-12-02T15:25:02Z) - Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。
本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。
その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
論文 参考訳（メタデータ） (2024-10-31T19:48:50Z) - Clinical Insights: A Comprehensive Review of Language Models in Medicine [1.5020330976600738]
本稿では,医療における言語モデルの進歩と応用について考察し,臨床応用事例に着目した。
テキストと視覚データをテキスト内学習を通じて統合することのできる、最先端の大規模言語とマルチモーダルモデルに、広範囲な微調整を必要とする初期エンコーダベースのシステムから進化について検討する。
この分析は、データのプライバシと運用の自律性を向上するローカルデプロイ可能なモデルと、テキスト生成、分類、情報抽出、会話システムといったタスクにおけるそれらの応用を強調している。
論文 参考訳（メタデータ） (2024-08-21T15:59:33Z) - Patient-centered data science: an integrative framework for evaluating and predicting clinical outcomes in the digital health era [0.0]
本研究では,デジタルヘルス時代の患者中心型データサイエンスのための新たな統合的枠組みを提案する。
従来の臨床データと患者の報告した結果、健康の社会的決定要因、および多次元データを組み合わせて総合的なデジタル患者表現を作成する多次元モデルを開発した。
論文 参考訳（メタデータ） (2024-07-31T02:36:17Z) - AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。
この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。
高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文 参考訳（メタデータ） (2024-02-15T06:46:48Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - Building Flexible, Scalable, and Machine Learning-ready Multimodal
Oncology Datasets [17.774341783844026]
本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。
MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。
MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
論文 参考訳（メタデータ） (2023-09-30T15:44:39Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z)
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。