論文の概要: The Framework That Survives Bad Models: Human-AI Collaboration For Clinical Trials

• arxiv url: http://arxiv.org/abs/2510.06567v1
• Date: Wed, 08 Oct 2025 01:40:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.25825
• Title: The Framework That Survives Bad Models: Human-AI Collaboration For Clinical Trials
• Title（参考訳）: 悪いモデルで生き残るフレームワーク:臨床実験のための人間とAIのコラボレーション
• Authors: Yao Chen, David Ohlssen, Aimee Readie, Gregory Ligozio, Ruvie Martin, Thibaud Coroller,
• Abstract要約: AIをサポートリーダ(AI-SR)として使用することは、悪いモデルであっても、さまざまなモデルタイプにまたがるすべての基準を満たすため、臨床試験において最も適したアプローチである。 本手法は、信頼性の高い疾患推定を一貫して提供し、臨床治験効果の推定と結論を維持し、異なる集団に適用した場合にこれらの利点を保持する。
• 参考スコア（独自算出の注目度）: 2.6377299508948746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) holds great promise for supporting clinical trials, from patient recruitment and endpoint assessment to treatment response prediction. However, deploying AI without safeguards poses significant risks, particularly when evaluating patient endpoints that directly impact trial conclusions. We compared two AI frameworks against human-only assessment for medical image-based disease evaluation, measuring cost, accuracy, robustness, and generalization ability. To stress-test these frameworks, we injected bad models, ranging from random guesses to naive predictions, to ensure that observed treatment effects remain valid even under severe model degradation. We evaluated the frameworks using two randomized controlled trials with endpoints derived from spinal X-ray images. Our findings indicate that using AI as a supporting reader (AI-SR) is the most suitable approach for clinical trials, as it meets all criteria across various model types, even with bad models. This method consistently provides reliable disease estimation, preserves clinical trial treatment effect estimates and conclusions, and retains these advantages when applied to different populations.
• Abstract（参考訳）: 人工知能(AI)は、患者採用やエンドポイントアセスメントから治療反応予測まで、臨床試験を支援するための大きな約束を持っている。 しかし、特にトライアルの結論に直接影響を及ぼす患者エンドポイントを評価する場合、セーフガードなしでAIをデプロイすることは重大なリスクをもたらす。 我々は、医療画像に基づく疾患評価、コスト、正確性、堅牢性、一般化能力の2つのAIフレームワークを比較した。 これらのフレームワークをストレステストするために、ランダムな推測からナイーブな予測まで悪いモデルを注入し、厳密なモデル劣化でも観察された治療効果が有効であることを確かめた。 脊椎X線画像からのエンドポイントを用いたランダム化比較試験を2回行った。 以上の結果から,AIを支援読影器(AI-SR)として用いることが臨床治験に最も適したアプローチであることが示唆された。 本手法は、信頼性の高い疾患推定を一貫して提供し、臨床治験効果の推定と結論を維持し、異なる集団に適用した場合にこれらの利点を保持する。

関連論文リスト

• Ethical considerations of use of hold-out sets in clinical prediction model management [0.4194295877935868]
  我々は、善意、非正当性、自律性、正義の倫理的原則に焦点をあてる。 また,様々なホールドアウトセットサンプリング手法による統計的問題についても論じる。
  論文  参考訳（メタデータ） (2024-06-05T11:42:46Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Improving Image-Based Precision Medicine with Uncertainty-Aware Causal Models [3.5770353345663053]
  ベイジアンディープラーニング(英語版)を用いて、いくつかの治療における現実的および対実的な結果に対する後部分布を推定する。 本モデルを用いて,多発性硬化症患者のMR脳画像の多施設データセットを用いて,今後新たなT2病変数を予測し,評価する。
  論文  参考訳（メタデータ） (2023-05-05T20:08:40Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。