論文の概要: From Coordination to Personalization: A Trust-Aware Simulation Framework for Emergency Department Decision Support

• arxiv url: http://arxiv.org/abs/2510.15896v1
• Date: Tue, 09 Sep 2025 18:00:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.084627
• Title: From Coordination to Personalization: A Trust-Aware Simulation Framework for Emergency Department Decision Support
• Title（参考訳）: コーディネーションからパーソナライズへ:緊急部門決定支援のための信頼度を考慮したシミュレーションフレームワーク
• Authors: Zoi Lygizou, Dimitris Kalles,
• Abstract要約: 本研究では,医師や看護婦をコンピュータ信頼機構によって誘導されるインテリジェントエージェントとしてモデル化するためのシミュレーションベースのフレームワークを提案する。 提案手法は,緊急医療におけるエビデンスに基づく意思決定支援のための計算信頼の可能性を示すものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background/Objectives: Efficient task allocation in hospital emergency departments (EDs) is critical for operational efficiency and patient care quality, yet the complexity of staff coordination poses significant challenges. This study proposes a simulation-based framework for modeling doctors and nurses as intelligent agents guided by computational trust mechanisms. The objective is to explore how trust-informed coordination can support decision making in ED management. Methods: The framework was implemented in Unity, a 3D graphics platform, where agents assess their competence before undertaking tasks and adaptively coordinate with colleagues. The simulation environment enables real-time observation of workflow dynamics, resource utilization, and patient outcomes. We examined three scenarios - Baseline, Replacement, and Training - reflecting alternative staff management strategies. Results: Trust-informed task allocation balanced patient safety and efficiency by adapting to nurse performance levels. In the Baseline scenario, prioritizing safety reduced errors but increased patient delays compared to a FIFO policy. The Replacement scenario improved throughput and reduced delays, though at additional staffing cost. The training scenario forstered long-term skill development among low-performing nurses, despite short-term delays and risks. These results highlight the trade-off between immediate efficiency gains and sustainable capacity building in ED staffing. Conclusions: The proposed framework demonstrates the potential of computational trust for evidence-based decision support in emergency medicine. By linking staff coordination with adaptive decision making, it provides hospital managers with a tool to evaluate alternative policies under controlled and repeatable conditions, while also laying a foundation for future AI-driven personalized decision support.
• Abstract（参考訳）: 背景・目的: 病院救急部門(EDs)におけるタスク割り当ての効率化は, 作業効率と患者ケアの質に重要であるが, スタッフ調整の複雑さは大きな課題である。 本研究では,医師や看護婦をコンピュータ信頼機構によって誘導されるインテリジェントエージェントとしてモデル化するためのシミュレーションベースのフレームワークを提案する。 その目的は、EDマネジメントにおける意思決定を信頼インフォームド・コーディネーションがいかに支援できるかを検討することである。 メソッド: このフレームワークは3DグラフィックプラットフォームであるUnityで実装され、エージェントはタスクを実行する前に能力を評価し、同僚と適応的に調整する。 シミュレーション環境は、ワークフローのダイナミクス、リソース利用、患者結果のリアルタイム観察を可能にする。 私たちは、代替のスタッフ管理戦略を反映した、ベースライン、リプレースメント、トレーニングの3つのシナリオを検討した。 結果:信頼インフォームドタスク割り当ては,看護師のパフォーマンスレベルに適応することにより,患者の安全性と効率をバランスさせた。 Baselineのシナリオでは、安全性の優先順位付けはFIFOポリシーと比較してエラーを減らしたが、患者の遅延は増大した。 リプレースメントのシナリオはスループットを改善し、追加の人員削減コストで遅延を低減した。 訓練シナリオは,短期的遅延やリスクにもかかわらず,低パフォーマンス看護師の長期的スキル開発を推し進めた。 これらの結果は、ED職員の即時効率向上と持続可能な容量構築とのトレードオフを浮き彫りにしている。 結論: 本枠組みは, 緊急医療におけるエビデンスに基づく意思決定支援のための計算信頼の可能性を示すものである。 スタッフのコーディネーションと適応的な意思決定を結びつけることで、病院管理者に、コントロール可能な、繰り返し可能な条件下で代替ポリシーを評価するためのツールを提供すると同時に、将来AIによるパーソナライズされた意思決定支援のための基盤を構築する。

関連論文リスト

• Automated Procedural Analysis via Video-Language Models for AI-assisted Nursing Skills Assessment [5.851959409921155]
  看護スキルトレーニングのための自動手続き評価とフィードバックのAI能力を開発するために,ビデオ言語モデル(VLM)ベースのフレームワークを導入する。 このフレームワークはカリキュラムにインスパイアされた進歩に従っており、ハイレベルな行動認識から手続き的推論へと進歩している。 この研究は、看護教育におけるAI応用を前進させ、より強い労働力開発と究極的には患者ケアに寄与する。
  論文  参考訳（メタデータ） (2025-09-20T21:11:33Z)
• Test-Time Learning and Inference-Time Deliberation for Efficiency-First Offline Reinforcement Learning in Care Coordination and Population Health Management [1.5635627702544692]
  ケアコーディネートと人口健康管理プログラムはメディケイドと安全ネットの人口に役立っている。 そこで本研究では,(i)局所的な地域キャリブレーションによるテスト時間学習と,(ii)小さなQアンサンブルによる推論時間の検討により,トレーニング済みのポリシーを強化する,軽量なオフライン強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2025-09-19T14:41:47Z)
• NurseSchedRL: Attention-Guided Reinforcement Learning for Nurse-Patient Assignment [0.0]
  NurseSchedRLは、看護婦の配当のための強化学習フレームワークである。 構造化された状態符号化、制約されたアクションマスキング、およびスキル、疲労、地理的コンテキストの注意に基づく表現を統合する。
  論文  参考訳（メタデータ） (2025-09-10T21:41:42Z)
• Trust Semantics Distillation for Collaborator Selection via Memory-Augmented Agentic AI [51.4138877170325]
  本稿では,大規模AIモデル(LAM)に基づく教師・学生エージェントアーキテクチャに基づくタスク固有の信頼度セマンティックス蒸留モデルを提案する。 提案した2TSDモデルでは,協調者評価時間を短縮し,機器資源消費量を削減し,協調者選択の精度を向上させることができる。
  論文  参考訳（メタデータ） (2025-09-09T21:18:31Z)
• A Multi-Objective Genetic Algorithm for Healthcare Workforce Scheduling [0.764671395172401]
  本稿では,多目的遺伝的アルゴリズム (MOO-GA) を提案する。 コスト、患者ケアのカバレッジ、スタッフの満足度を客観的に定義することにより、GAは膨大な検索スペースをナビゲートし、高品質で非支配的なソリューションの集合を特定する。
  論文  参考訳（メタデータ） (2025-08-28T16:16:10Z)
• GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning [60.03671205298294]
  医学的視覚的質問応答は、医学的イメージに基づいた自然言語的質問にモデルで答えることによって、臨床的な意思決定を支援することを目的としている。 現在の方法はまだ、答えの信頼性の制限と解釈性の低下に悩まされている。 この研究はまず、回答を生成するプロセスが中間的推論ステップのシーケンスに先行する領域対応マルチモーダル・チェーン・オブ・ソートデータセットを提案する。
  論文  参考訳（メタデータ） (2025-06-22T08:09:58Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
  デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。 患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。 患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-21T21:42:03Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• 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)

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。