論文の概要: Using AI to Optimize Patient Transfer and Resource Utilization During Mass-Casualty Incidents: A Simulation Platform

• arxiv url: http://arxiv.org/abs/2509.08756v1
• Date: Wed, 10 Sep 2025 16:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.516609
• Title: Using AI to Optimize Patient Transfer and Resource Utilization During Mass-Casualty Incidents: A Simulation Platform
• Title（参考訳）: 重大事件時の患者移動と資源利用をAIで最適化する:シミュレーションプラットフォーム
• Authors: Zhaoxun "Lorenz" Liu, Wagner H. Souza, Jay Han, Amin Madani,
• Abstract要約: マスインシデント(MCI)は医療システムを圧倒し、急激な患者病院割り当ての決定を要求する。 我々は,患者の移動決定を最適化するために,深層強化学習に基づく意思決定支援AIエージェントを開発し,検証した。 MasTERはMCI管理シミュレーションのためのウェブアクセス可能なコマンドダッシュボードである。
• 参考スコア（独自算出の注目度）: 0.014285185279360277
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mass casualty incidents (MCIs) overwhelm healthcare systems and demand rapid, accurate patient-hospital allocation decisions under extreme pressure. Here, we developed and validated a deep reinforcement learning-based decision-support AI agent to optimize patient transfer decisions during simulated MCIs by balancing patient acuity levels, specialized care requirements, hospital capacities, and transport logistics. To integrate this AI agent, we developed MasTER, a web-accessible command dashboard for MCI management simulations. Through a controlled user study with 30 participants (6 trauma experts and 24 non-experts), we evaluated three interaction approaches with the AI agent (human-only, human-AI collaboration, and AI-only) across 20- and 60-patient MCI scenarios in the Greater Toronto Area. Results demonstrate that increasing AI involvement significantly improves decision quality and consistency. The AI agent outperforms trauma surgeons (p < 0.001) and enables non-experts to achieve expert-level performance when assisted, contrasting sharply with their significantly inferior unassisted performance (p < 0.001). These findings establish the potential for our AI-driven decision support to enhance both MCI preparedness training and real-world emergency response management.
• Abstract（参考訳）: MCI(Mass casualty Incidents)は、医療システムを圧倒し、極端な圧力の下で、迅速で正確な患者病院割り当ての決定を要求する。 そこで我々は,MCIのシミュレーション中における患者の移動決定を最適化するための,深層強化学習に基づく意思決定支援AIエージェントを開発し,その妥当性を検証した。 このAIエージェントを統合するために、MCI管理シミュレーションのためのウェブアクセス可能なコマンドダッシュボードであるMasTERを開発した。 30名の参加者(6名の外傷専門家、24名の非専門家)によるコントロールされたユーザスタディを通じて、大トロント地域の20～60名のMCIシナリオを対象に、AIエージェント(人間のみ、人間とAIのコラボレーション、AIのみ)との3つのインタラクションアプローチを評価した。 その結果、AIへの関与の増加は意思決定の品質と一貫性を著しく改善することが示された。 本発明のAIエージェントは、外傷外科医(p < 0.001)より優れ、非専門家がアシスト時に専門家レベルのパフォーマンスを達成でき、非常に劣る非アシストのパフォーマンス(p < 0.001)とは対照的である。 これらの結果は、MCI準備訓練と現実世界の緊急対応管理の両方を強化するために、私たちのAIによる意思決定支援の可能性を確立します。

関連論文リスト

• Robot-Gated Interactive Imitation Learning with Adaptive Intervention Mechanism [48.41735416075536]
  インタラクティブ・イミテーション・ラーニング (Interactive Imitation Learning, IIL) は、エージェントが人間の介入を通じて望ましい行動を取得することを可能にする。 本稿では,人間の実演を依頼する適応的基準を学習するロボットゲート型IILアルゴリズムであるAdaptive Intervention Mechanism (AIM)を提案する。
  論文  参考訳（メタデータ） (2025-06-10T18:43:26Z)
• Tool or Tutor? Experimental evidence from AI deployment in cancer diagnosis [3.0641365294595815]
  我々は、AIによるトレーニングとAIによるタスク完了が、人間の能力に共同で影響を与えることを提案する。 336人の医学生によるフィールド実験で、トレーニング、実践、そしてその両方においてAIの展開を操作した。
  論文  参考訳（メタデータ） (2025-02-23T02:47:49Z)
• Human Decision-making is Susceptible to AI-driven Manipulation [87.24007555151452]
  AIシステムは、ユーザの認知バイアスと感情的な脆弱性を利用して、有害な結果に向けてそれらを操縦する。 本研究では、経済的・感情的な意思決定の文脈におけるこのような操作に対する人間の感受性について検討した。
  論文  参考訳（メタデータ） (2025-02-11T15:56:22Z)
• LLMs Can Simulate Standardized Patients via Agent Coevolution [8.539733225671059]
  標準化された患者(SP)を用いた医療従事者の養成は、依然として複雑な課題である。 EvoPatientは、患者エージェントと医師エージェントがマルチターン対話を通じて診断プロセスをシミュレートする、新しいシミュレートされた患者フレームワークである。 我々のフレームワークは、既存の推論手法を10%以上改善し、要求アライメントと人間の嗜好を改善する。
  論文  参考訳（メタデータ） (2024-12-16T12:36:47Z)
• Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
  本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。 我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
  論文  参考訳（メタデータ） (2024-11-16T18:19:53Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)

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。