論文の概要: Why can't Epidemiology be automated (yet)?

• arxiv url: http://arxiv.org/abs/2507.15617v1
• Date: Mon, 21 Jul 2025 13:41:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.41946
• Title: Why can't Epidemiology be automated (yet)?
• Title（参考訳）: なぜ疫学は自動化できないのか?
• Authors: David Bann, Ed Lowther, Liam Wright, Yevgeniya Kovalchuk,
• Abstract要約: 既存のデータセットを用いて疫学課題の景観をマッピングする。 既存のAIツールが効率を向上する場所を特定します。 近年開発されたエージェントシステムは疫学的解析を設計・実行できるようになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in artificial intelligence (AI) - particularly generative AI - present new opportunities to accelerate, or even automate, epidemiological research. Unlike disciplines based on physical experimentation, a sizable fraction of Epidemiology relies on secondary data analysis and thus is well-suited for such augmentation. Yet, it remains unclear which specific tasks can benefit from AI interventions or where roadblocks exist. Awareness of current AI capabilities is also mixed. Here, we map the landscape of epidemiological tasks using existing datasets - from literature review to data access, analysis, writing up, and dissemination - and identify where existing AI tools offer efficiency gains. While AI can increase productivity in some areas such as coding and administrative tasks, its utility is constrained by limitations of existing AI models (e.g. hallucinations in literature reviews) and human systems (e.g. barriers to accessing datasets). Through examples of AI-generated epidemiological outputs, including fully AI-generated papers, we demonstrate that recently developed agentic systems can now design and execute epidemiological analysis, albeit to varied quality (see https://github.com/edlowther/automated-epidemiology). Epidemiologists have new opportunities to empirically test and benchmark AI systems; realising the potential of AI will require two-way engagement between epidemiologists and engineers.
• Abstract（参考訳）: 人工知能(AI)の最近の進歩 - 特に生成的AI - は、疫学研究を加速または自動化する新たな機会を提供する。 物理的実験に基づく規律とは異なり、疫学のかなりの割合は二次的なデータ分析に依存しており、そのため拡張に適している。 しかし、AIの介入によってどのようなタスクが役に立つのか、あるいはどの障害が存在するのかは不明だ。 現在のAI能力の認識も混在している。 ここでは、文献レビューからデータアクセス、分析、書き上げ、普及に至るまで、既存のデータセットを使用して疫学的なタスクのランドスケープをマップし、既存のAIツールが効率向上を提供する場所を特定します。 AIはコーディングや管理タスクなどのいくつかの分野で生産性を高めることができるが、そのユーティリティは既存のAIモデル(例えば文献レビューにおける幻覚)と人間システム(例えばデータセットへのアクセス障壁)の制限によって制限されている。 完全AI生成論文を含むAI生成疫学的アウトプットの例を通して、近年開発されたエージェントシステムは、様々な品質にもかかわらず、疫学的分析を設計、実行できるようになったことを実証する(https://github.com/edlowther/automated-epidemiologyを参照)。 疫学者は、AIシステムを経験的にテストし、ベンチマークする新たな機会を持っている。

関連論文リスト

• Beyond Black-Box AI: Interpretable Hybrid Systems for Dementia Care [2.4339626079536925]
  近年の大規模言語モデル(LLM)のブームは、人工知能(AI)システムが医療診断に役立つという期待を再燃させた。 ベンチマークスコアはめちゃくちゃですが、LCMアシスタントはまだベッドサイドで測定可能な改善を提供していません。 このスクーピングレビューは、臨床現場で実践的な貢献をするためにAIが制限されている領域を強調することを目的としている。
  論文  参考訳（メタデータ） (2025-07-02T01:43:06Z)
• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• A Study on Neuro-Symbolic Artificial Intelligence: Healthcare Perspectives [2.5782420501870296]
  シンボリックAIは推論、説明可能性、知識表現に優れているが、ノイズのある複雑な現実世界のデータを処理する際の課題に直面している。 ニューラルネットワークにおけるディープラーニング(ブラックボックスシステム)の研究のブレークスルーは注目に値するが、推論と解釈性は欠如している。 ニューロシンボリックAI(NeSy)は、ニューラルネットワークに論理的推論を統合することによって、このギャップを埋めようとしている。
  論文  参考訳（メタデータ） (2025-03-23T21:33:38Z)
• The Impact of Artificial Intelligence on Emergency Medicine: A Review of Recent Advances [0.2544903230401084]
  人工知能(AI)は、診断プロセスを強化し、患者の結果を改善することで、救急医療に革命をもたらす。 機械学習とディープラーニングは、複雑な画像データの解釈において重要な要素であり、迅速で正確な診断を提供し、従来の診断方法を超える可能性がある。 これらの進歩にもかかわらず、AIを臨床実践に統合することは、データのプライバシ、アルゴリズムバイアス、さまざまな設定にまたがる広範な検証の必要性といった課題を提示している。
  論文  参考訳（メタデータ） (2025-03-17T17:45:00Z)
• AI Automatons: AI Systems Intended to Imitate Humans [54.19152688545896]
  人々の行動、仕事、能力、類似性、または人間性を模倣するように設計されたAIシステムが増加している。 このようなAIシステムの研究、設計、展開、可用性は、幅広い法的、倫理的、その他の社会的影響に対する懸念を喚起している。
  論文  参考訳（メタデータ） (2025-03-04T03:55:38Z)
• AI-in-the-loop: The future of biomedical visual analytics applications in the era of AI [3.0942901747200975]
  データ分析におけるAIの大規模開発は、将来のデータ視覚化とビジュアル分析をどう形成するか? ますます強力なAIの文脈における機会、オープンな課題、脅威とは何か? 我々は、バイオメディカルビジュアライゼーションを研究分野として変革するAIの可能性を強調した。
  論文  参考訳（メタデータ） (2024-12-20T13:27:24Z)
• The Dual Impact of Artificial Intelligence in Healthcare: Balancing Advancements with Ethical and Operational Challenges [1.3302498881305604]
  本稿では、AIが診断、精密医療、薬物発見などの領域をどのように変革しているかを詳しく検討する。 患者のプライバシや安全性、AI決定の公正性といった問題は、医療におけるAIがポジティブな力なのか、潜在的なリスクなのか、あるいは両方なのかを理解するために検討されている。
  論文  参考訳（メタデータ） (2024-11-08T23:36:16Z)
• AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
  生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。 本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。 実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
  論文  参考訳（メタデータ） (2023-10-03T06:55:19Z)
• A Survey on Brain-Inspired Deep Learning via Predictive Coding [85.93245078403875]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies [97.5153823429076]
  この分野でのAIのメリット、課題、欠点についてレビューする。 データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
  論文  参考訳（メタデータ） (2022-12-08T23:23:39Z)

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。