論文の概要: From Development to Deployment of AI-assisted Telehealth and Screening for Vision- and Hearing-threatening diseases in resource-constrained settings: Field Observations, Challenges and Way Forward
- arxiv url: http://arxiv.org/abs/2509.15558v1
- Date: Fri, 19 Sep 2025 03:42:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-22 18:18:10.981247
- Title: From Development to Deployment of AI-assisted Telehealth and Screening for Vision- and Hearing-threatening diseases in resource-constrained settings: Field Observations, Challenges and Way Forward
- Title（参考訳）: 資源制約環境におけるAI支援遠隔医療の展開と視覚・聴覚障害のスクリーニング:現地観測,課題,今後の展望
- Authors: Mahesh Shakya, Bijay Adhikari, Nirsara Shrestha, Bipin Koirala, Arun Adhikari, Prasanta Poudyal, Luna Mathema, Sarbagya Buddhacharya, Bijay Khatri, Bishesh Khanal,
- Abstract要約: 視覚や難聴の病気は、特に資源に制約のある環境では、予防可能な障害を引き起こす。
私たちは、スケーラブルなAI支援Telehealthとスクリーニングを採用するための、開発における課題と方法に関する洞察を提供します。
- 参考スコア（独自算出の注目度）: 3.2943941980760063
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Vision- and hearing-threatening diseases cause preventable disability, especially in resource-constrained settings(RCS) with few specialists and limited screening setup. Large scale AI-assisted screening and telehealth has potential to expand early detection, but practical deployment is challenging in paper-based workflows and limited documented field experience exist to build upon. We provide insights on challenges and ways forward in development to adoption of scalable AI-assisted Telehealth and screening in such settings. Specifically, we find that iterative, interdisciplinary collaboration through early prototyping, shadow deployment and continuous feedback is important to build shared understanding as well as reduce usability hurdles when transitioning from paper-based to AI-ready workflows. We find public datasets and AI models highly useful despite poor performance due to domain shift. In addition, we find the need for automated AI-based image quality check to capture gradable images for robust screening in high-volume camps. Our field learning stress the importance of treating AI development and workflow digitization as an end-to-end, iterative co-design process. By documenting these practical challenges and lessons learned, we aim to address the gap in contextual, actionable field knowledge for building real-world AI-assisted telehealth and mass-screening programs in RCS.
- Abstract（参考訳）: 視覚・聴覚障害は、特にリソース制限された設定(RCS)において、少数の専門家と限られたスクリーニング設定で、予防可能な障害を引き起こす。
大規模AI支援スクリーニングと遠隔医療は早期発見の可能性を秘めているが、紙ベースのワークフローでは実践的なデプロイメントが困難であり、ドキュメント化されたフィールドエクスペリエンスは限られている。
我々は、スケーラブルなAI支援Telehealthの導入や、そのような環境でのスクリーニングに至るまで、開発における課題と方法に関する洞察を提供する。
具体的には、初期のプロトタイピング、シャドウデプロイメント、継続的なフィードバックを通じて、反復的で学際的なコラボレーションが、紙ベースのワークフローからAI対応ワークフローに移行する際のユーザビリティのハードルを軽減するだけでなく、共有された理解を構築する上で重要であることに気付きます。
ドメインシフトによるパフォーマンスの低下にもかかわらず、パブリックデータセットとAIモデルは極めて有用です。
さらに、高ボリュームのキャンプで堅牢なスクリーニングのために、グレータブルなイメージをキャプチャするためのAIベースの画像品質チェックの自動化の必要性も見出した。
我々のフィールドラーニングは、AI開発とワークフローのデジタル化をエンドツーエンドの反復的共同設計プロセスとして扱うことの重要性を強調します。
これらの実践的な課題と教訓を文書化することにより、実世界のAI支援遠隔医療とマススクリーニングプログラムをRCSで構築するための文脈的、実用的なフィールド知識のギャップに対処することを目指している。
関連論文リスト
- Explain and Monitor Deep Learning Models for Computer Vision using Obz AI [2.406359246841227]
Obz AIは、ビジョンAIシステムの最先端の説明可能性と可観測性を促進するために設計された、包括的なソフトウェアエコシステムである。
Obz AIは、Pythonクライアントライブラリからフルスタック分析ダッシュボードまで、シームレスな統合パイプラインを提供する。
論文 参考訳（メタデータ） (2025-08-25T16:46:21Z) - Explainable AI for Collaborative Assessment of 2D/3D Registration Quality [50.65650507103078]
本稿では,2D/3D登録品質検証に特化して訓練された最初の人工知能フレームワークを提案する。
我々の説明可能なAI(XAI)アプローチは、人間のオペレーターに対する情報意思決定を強化することを目的としている。
論文 参考訳（メタデータ） (2025-07-23T15:28:57Z) - Visual Analytics for Explainable and Trustworthy Artificial Intelligence [2.1212179660694104]
AI採用の大きな障害は、透明性の欠如にある。
多くの自動化システムはブラックボックスとして機能し、基盤となるプロセスを明らかにすることなく予測を提供する。
ビジュアル分析(VA)は、AIモデルとインタラクティブな視覚化を組み合わせることで、魅力的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-07-14T13:03:17Z) - Retrieval Augmented Generation and Understanding in Vision: A Survey and New Outlook [85.43403500874889]
Retrieval-augmented Generation (RAG) は人工知能(AI)において重要な技術である。
具体化されたAIのためのRAGの最近の進歩は、特に計画、タスク実行、マルチモーダル知覚、インタラクション、特殊ドメインの応用に焦点を当てている。
論文 参考訳（メタデータ） (2025-03-23T10:33:28Z) - Artificial intelligence techniques in inherited retinal diseases: A review [19.107474958408847]
遺伝性網膜疾患(英: InheritedRetinal disease、IRD)は、進行性視力低下を引き起こす多様な遺伝性疾患群であり、労働年齢層の視覚障害の主要な原因である。
人工知能(AI)の最近の進歩は、これらの課題に対する有望な解決策を提供する。
このレビューは既存の研究を統合し、ギャップを特定し、IRDの診断と管理におけるAIの可能性の概要を提供する。
論文 参考訳（メタデータ） (2024-10-10T03:14:51Z) - 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) - On the Challenges and Opportunities in Generative AI [155.030542942979]
私たちは、現在の大規模な生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの根本的な欠点を示しています。
我々は、研究者に実りある研究の方向性を探るための洞察を提供することを目標とし、より堅牢でアクセスしやすい生成AIソリューションの開発を促進する。
論文 参考訳（メタデータ） (2024-02-28T15:19:33Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳（メタデータ） (2023-04-10T15:38:12Z) - 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) - 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)
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。