論文の概要: AInsight: Augmenting Expert Decision-Making with On-the-Fly Insights Grounded in Historical Data

• arxiv url: http://arxiv.org/abs/2507.09100v1
• Date: Sat, 12 Jul 2025 00:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:22.372928
• Title: AInsight: Augmenting Expert Decision-Making with On-the-Fly Insights Grounded in Historical Data
• Title（参考訳）: AInsight: 歴史データに基づくオン・ザ・フライ・インサイトによるエキスパートによる意思決定の強化
• Authors: Mohammad Abolnejadian, Shakiba Amirshahi, Matthew Brehmer, Anamaria Crisan,
• Abstract要約: そこで我々は,医師と患者との対話を事例として,対話型ユーザインタフェースを実装した。 本システムは,会話を継続的に聴き,患者問題や医師が提案するソリューションを特定し,組込みデータセットから関連データを検索する。 そこで我々は,Health Canadaデータセットをベクトルデータベースに埋め込み,医師と患者との対話のサンプルを用いてシミュレーション研究を行い,その有効性と課題を明らかにした。
• 参考スコア（独自算出の注目度）: 10.105875761067438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In decision-making conversations, experts must navigate complex choices and make on-the-spot decisions while engaged in conversation. Although extensive historical data often exists, the real-time nature of these scenarios makes it infeasible for decision-makers to review and leverage relevant information. This raises an interesting question: What if experts could utilize relevant past data in real-time decision-making through insights derived from past data? To explore this, we implemented a conversational user interface, taking doctor-patient interactions as an example use case. Our system continuously listens to the conversation, identifies patient problems and doctor-suggested solutions, and retrieves related data from an embedded dataset, generating concise insights using a pipeline built around a retrieval-based Large Language Model (LLM) agent. We evaluated the prototype by embedding Health Canada datasets into a vector database and conducting simulated studies using sample doctor-patient dialogues, showing effectiveness but also challenges, setting directions for the next steps of our work.
• Abstract（参考訳）: 意思決定の会話では、専門家は複雑な選択をナビゲートし、会話をしながらスポット上の決定をしなければならない。 広範な歴史的データがしばしば存在するが、これらのシナリオのリアルタイムな性質は、意思決定者が関連する情報をレビューし活用することを可能にしない。 専門家が過去のデータから得られた洞察を通じて、関連する過去のデータをリアルタイムな意思決定に活用できるとしたらどうだろう? そこで我々は,医師と患者との対話を事例として,対話型ユーザインタフェースを実装した。 我々のシステムは,会話を継続的に聴き,患者問題や医師が提案するソリューションを特定し,組込みデータセットから関連データを検索し,検索ベース大規模言語モデル(LLM)エージェントを中心に構築されたパイプラインを用いて簡潔な洞察を生成する。 我々は、Health Canadaデータセットをベクターデータベースに埋め込み、サンプル医師と患者との対話を用いてシミュレーション研究を行い、その効果だけでなく課題も示し、作業の次のステップに向けた方向性を設定した。

関連論文リスト

• DataScout: Automatic Data Fact Retrieval for Statement Augmentation with an LLM-Based Agent [18.424165885187968]
  DataScoutは、推論とスタンスベースのデータファクト検索を自動的に実行するインタラクティブシステムである。 インタフェースは、検索ツリーをマインドマップとして視覚化し、ユーザーが直感的に検索方向を操作できるようにする。 評価の結果,DataScoutはさまざまな立場から多面的データ事実を効果的に検索し,ユーザが自分の発言を検証し,ストーリーの信頼性を高めることができることがわかった。
  論文  参考訳（メタデータ） (2025-04-24T07:52:09Z)
• Follow-up Question Generation For Enhanced Patient-Provider Conversations [0.11309478649967242]
  FollowupQは非同期医療会話を強化するための新しいフレームワークである。 FollowupQは、患者メッセージとEHRデータを処理し、パーソナライズされたフォローアップ質問を生成する。 必要なプロバイダのフォローアップ通信を34%削減する。 また、実データと合成データのパフォーマンスも17%向上し、5%向上した。
  論文  参考訳（メタデータ） (2025-03-21T19:40:53Z)
• Challenges for Responsible AI Design and Workflow Integration in Healthcare: A Case Study of Automatic Feeding Tube Qualification in Radiology [35.284458448940796]
  ナトリウムガスチューブ(NGT)は、鼻から胃に挿入されたチューブを供給し、栄養や薬品を供給している。 近年のAI開発は、チェストX線画像からNGT配置を堅牢に検出する可能性を示している。 本稿では,この問題に対する人間中心のアプローチを提案するとともに,コンテキスト調査および15の臨床ステークホルダとの詳細なインタビューの結果から得られた知見について述べる。
  論文  参考訳（メタデータ） (2024-05-08T14:16:22Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• AUGUST: an Automatic Generation Understudy for Synthesizing Conversational Recommendation Datasets [56.052803235932686]
  本稿では,大規模かつ高品質なレコメンデーションダイアログを生成する新しい自動データセット合成手法を提案する。 i)従来のレコメンデーションデータセットからの豊富なパーソナライズされたユーザプロファイル、(ii)知識グラフからの豊富な外部知識、(iii)人間対人間会話レコメンデーションデータセットに含まれる会話能力。
  論文  参考訳（メタデータ） (2023-06-16T05:27:14Z)
• MedNgage: A Dataset for Understanding Engagement in Patient-Nurse Conversations [4.847266237348932]
  症状を効果的に管理する患者は、医療従事者との会話や介入において、より高いレベルのエンゲージメントを示すことが多い。 AIシステムは、患者と実践者との自然な会話におけるエンゲージメントを理解して、患者のケアにもっと貢献することが不可欠である。 本稿では,がん症状管理に関する患者と看護者の会話をまとめた新しいデータセット(MedNgage)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T16:06:07Z)
• "My nose is running.""Are you also coughing?": Building A Medical Diagnosis Agent with Interpretable Inquiry Logics [80.55587329326046]
  本稿では,DSMDの対話マネージャを実装するための,より解釈可能な意思決定プロセスを提案する。 推論を行うために、非常に透明なコンポーネントを持つモデルを考案する。 実験の結果,診断精度は7.7%,10.0%,3.0%向上した。
  論文  参考訳（メタデータ） (2022-04-29T09:02:23Z)
• Where's the Question? A Multi-channel Deep Convolutional Neural Network for Question Identification in Textual Data [83.89578557287658]
  本稿では,実際の質問を分離する目的で,新しい多チャンネル深層畳み込みニューラルネットワークアーキテクチャであるQuest-CNNを提案する。 提案するニューラルネットワークと他のディープニューラルネットワークの総合的な性能比較分析を行った。 提案したQuest-CNNは、透析ケア設定におけるデータエントリレビュー対話のデータセットと一般的なドメインデータセットの両方において、最高のF1スコアを達成した。
  論文  参考訳（メタデータ） (2020-10-15T15:11:22Z)
• Extracting Structured Data from Physician-Patient Conversations By Predicting Noteworthy Utterances [39.888619005843246]
  本稿では,会話の書き起こし,ビジット後要約,対応する証拠(転写文),構造化ラベルからなる新しいデータセットについて述べる。 方法論的な課題の1つは、会話が長く(約1500語)、現代のディープラーニングモデルではそれらを入力として使うのが難しいことである。 予測音声を初めてフィルタリングすることにより,診断とRoS異常の両方を認識するための予測性能を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:10:37Z)
• Conversations with Search Engines: SERP-based Conversational Response Generation [77.1381159789032]
  我々は、検索エンジンと対話するためのパイプラインを開発するために、適切なデータセット、検索・アズ・ア・会話(SaaC)データセットを作成します。 また、このデータセットを用いて、検索エンジンと対話するための最先端パイプライン(Conversations with Search Engines (CaSE))も開発しています。 CaSEは、サポートされたトークン識別モジュールとプリア・アウェア・ポインタージェネレータを導入することで最先端を向上する。
  論文  参考訳（メタデータ） (2020-04-29T13:07:53Z)
• Improving Multi-Turn Response Selection Models with Complementary Last-Utterance Selection by Instance Weighting [84.9716460244444]
  我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。 2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
  論文  参考訳（メタデータ） (2020-02-18T06:29:01Z)

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。